"얼굴인식"의 두 판 사이의 차이
둘러보기로 가기
검색하러 가기
(→구현방법) |
|||
(같은 사용자의 중간 판 2개는 보이지 않습니다) | |||
10번째 줄: | 10번째 줄: | ||
detector = dlib.get_frontal_face_detector() # 얼굴탐지모델 | detector = dlib.get_frontal_face_detector() # 얼굴탐지모델 | ||
predictor = dlib.shape_predictor('shape_predictor_68_face_landmarks.dat') # 얼굴 랜드마크 탐지 모델. 학습된 모델을 가져온다. | predictor = dlib.shape_predictor('shape_predictor_68_face_landmarks.dat') # 얼굴 랜드마크 탐지 모델. 학습된 모델을 가져온다. | ||
− | facerec = dlib.face_recognition_model_v1('models/dlib_face_recognition_resnet_model_v1.dat') # 인식모델. 랜드마크에서 shape를 받아 구분한다. | + | facerec = dlib.face_recognition_model_v1('models/dlib_face_recognition_resnet_model_v1.dat') # 인식모델. 랜드마크에서 shape를 받아 구분한다. 얼굴의 특징을 받아 분류정보를 배열로 저장한다. |
# 위 모델로 특정인을 인식할 수 있다. | # 위 모델로 특정인을 인식할 수 있다. | ||
22번째 줄: | 22번째 줄: | ||
분류할 얼굴을 특정 디렉터리 안에 그림파일로 넣고, 이들의 특징을 담은 넘파이 배열을 descs.npy에 저장한다. | 분류할 얼굴을 특정 디렉터리 안에 그림파일로 넣고, 이들의 특징을 담은 넘파이 배열을 descs.npy에 저장한다. | ||
− | 이는 최초에 얼굴에 대해 교육할 때만 사용한다.<syntaxhighlight lang="python"> | + | 이는 최초에 얼굴에 대해 교육할 때만 사용한다. |
+ | |||
+ | 유의 : png는 인식이 잘 안되는듯;;? jpg로 넣도록 하자. +교육할 땐 얼굴 하나만 있는 사진을 사용하자. 여러 명이 있는 사진의 경우, 얼굴 하나만 받는다.(얼굴이 없으면 에러가 난다.)<syntaxhighlight lang="python"> | ||
def educate(): | def educate(): | ||
import os | import os |
2021년 10월 1일 (금) 16:48 기준 최신판
1 개요[편집 | 원본 편집]
얼굴추적을 한 후 해당 얼굴이 어떤 사람의 얼굴인지 파악하는 기술이다. 얼굴을 찾거나 따라가는 기술을 찾는다면 얼굴추적 문서를 참고하자.
2 구현방법[편집 | 원본 편집]
첫 번째 단계로 얼굴찾기를 수행해주어야 한다.
import dlib # 얼굴인식
import cv2 # 이미지처리
import numpy as np # 연산
detector = dlib.get_frontal_face_detector() # 얼굴탐지모델
predictor = dlib.shape_predictor('shape_predictor_68_face_landmarks.dat') # 얼굴 랜드마크 탐지 모델. 학습된 모델을 가져온다.
facerec = dlib.face_recognition_model_v1('models/dlib_face_recognition_resnet_model_v1.dat') # 인식모델. 랜드마크에서 shape를 받아 구분한다. 얼굴의 특징을 받아 분류정보를 배열로 저장한다.
# 위 모델로 특정인을 인식할 수 있다.
descs = np.load('img/descs.npy', allow_pickle=True)[()]
cap = cv2.VideoCapture(0) # 영상 캡쳐. 경로 대신 0을 넣으면 웹캠이 켜진다.
dlib_face_recognition_reset_model 은 다음 링크를 통해 받자. 링크
위 과정에서 에러가 난다면 얼굴추적 문서를 참고하자.
2.1 얼굴 입력하기[편집 | 원본 편집]
분류할 얼굴을 특정 디렉터리 안에 그림파일로 넣고, 이들의 특징을 담은 넘파이 배열을 descs.npy에 저장한다.
이는 최초에 얼굴에 대해 교육할 때만 사용한다.
유의 : png는 인식이 잘 안되는듯;;? jpg로 넣도록 하자. +교육할 땐 얼굴 하나만 있는 사진을 사용하자. 여러 명이 있는 사진의 경우, 얼굴 하나만 받는다.(얼굴이 없으면 에러가 난다.)
def educate():
import os
path_dir = 'C:\\Users\\id843\\PycharmProjects\\AI_practice\\img\\to_recognize\\'
img_list = os.listdir(path_dir)
people = {}
for name in img_list:
img_bgr = cv2.imread(path_dir + name)
name = name.split('.')[0] # 확장자를 쳐내고 앞의 이름만 따온다.
face = detector(img_bgr)[0] # 얼굴 하나만 받는다.
dlib_shape = predictor(img_bgr, face) # 특징점을 리턴받는다.
face_descriptor = facerec.compute_face_descriptor(img_bgr, dlib_shape)
people[name] = np.array(face_descriptor) # 연산을 위해 배열로 저장.
np.save('img\descs.npy', people)
2.2 함수정의[편집 | 원본 편집]
의도 | 설명 | 방법 |
---|---|---|
특징점을 배열로 반환하기 | 얼굴의 특징점을 찾아 배열로 반환한다. | def recognize_faces(img):
'''얼굴의 특징점을 찾아 기존의 기억된 인물들과 대조한다'''
faces = detector(img, 1)
if len(faces) == 0:
return np.empty(0)
for k, face in enumerate(faces):
shape = predictor(img, face) # 주어진 얼굴의 특징점을 찾는다.
face_descriptor = facerec.compute_face_descriptor(img, shape)
result = {'name':'unkown', 'dist':0.6, 'color':(0,0,255)} # 못찾았을 때의 기본값.
for name, saved_desc in descs.items(): # 교육된 아이템에서 순회한다....
dist = np.linalg.norm([face_descriptor] - saved_desc, axis=1) # 인식된 데이터와 학습된 데이터를 비교.
if dist < result['dist']: # 일치값이 0.6보다 낮다면..(일반적으로 0.6이 잘 된다고 알려져 있음)
result = {'name': name, 'dist': dist, 'color': (255, 255, 255)}
cv2.putText(img, result['name'], org=(face.left(), face.top()), fontFace=cv2.FONT_HERSHEY_SIMPLEX,
fontScale=1, color=result['color'], thickness=2)
|
2.3 실행[편집 | 원본 편집]
while True: # 기본적으로 계속 진행
ret, img = cap.read() # 캡처한 영상을 프레임 단위로 읽는다.
if not ret: # 잘 찍히면 ret은 True를 반환한다.
break # 프레임이 없다면 종료.
recognize_faces(img)
cv2.imshow('window', img) # 창에 해당하는 이미지를 띄운다.
cv2.waitKey(1) # 이게 있어야 창이 제대로 열린다.