作者图片
在计算机技术&算法和数据能力的支持下，计算机视觉是人类视觉能力的复制形式。根据各自的最新发展，计算机视觉的应用正变得越来越普及并进入我们的生活。
Content· [Introduction](#547e)
· [Example of Computer Vision Applications](#88bc)
· [Why Python?](#efb2)
· [Histogram of Gradients Algorithm](#1bc8)
∘ [Finding Faces](#01e7)
∘ [Find the Facial Landmarks](#58db)
∘ [Codes of finding Facial Landmarks of Face](#777c)
∘ [Drawing lines of facial landmarks](#d2a8)
∘ [Numbering the Faces](#a88e)
∘ [Name a person from those numbers](#d1f8)
∘ [Face Comparison with Hog Method](#444b)
∘ [Face Recognition in Webcam](#35e7)
· [Object Detection Algorithm](#e2ac)
∘ [What is Haarcascade?](#cb0b)
∘ [Important Reminder: Version Check](#e9e6)
∘ [Train- Test Split](#05c9)
∘ [Loading Haarcascade](#e6de)
∘ [Face Recognition in Pictures with Object Detection Algorithm](#6186)
· [Conclusion](#1e9e)
医疗保健:根据不断增长的数据量，医疗保健行业发明了许多 CV 应用程序。例如:肿瘤检测、医学成像、癌症检测等等。
安全:通过在各个部门的监控摄像头中使用人脸检测，安全公司和地方当局正在利用 CV 应用程序的优势。
自动驾驶汽车:现在自动驾驶汽车这么受欢迎。从特斯拉开始，许多其他公司试图开发他们的自动驾驶汽车，以跟上未来的技术。这些系统背后的逻辑也是 CV 应用程序之一，它在汽车自动驾驶时持续围绕汽车工作。
人脸识别:人脸识别是 CV 最酷的应用之一。
如果你在某种程度上使用脸书或新名字 Meta，你也会对人脸识别很熟悉。人脸检测的一个流行应用是脸书使用的。
来源:TechCrunch
此外，这项技术也通过我们的手机进入我们的生活。在 iPhone 上使用照片图库时，您也可能会看到以下功能。
人脸识别是计算机视觉的一个流行应用。
这些应用程序背后的逻辑令人疑惑。
在这篇文章中，我将向您介绍人脸识别的两种著名方法及其应用、代码，以及在 Python 中应用这些模型之前需要注意的重要事项。
随着时间的推移，Python 越来越受欢迎，并且具有易于使用的特点，成为越来越受欢迎的编程语言。
这是 O'Reilly 正在做的一项研究，旨在展示 Python 越来越受欢迎的程度及其与其他语言的比较。
梯度算法的直方图由 Navneet Dalal 和 Bill Triggs 在 2005 年创建。该方法是一种特征描述子，用于计算机视觉中的目标检测。
现在我把它分为 4 个部分的 HOG 应用在人脸识别。
- 寻找面孔
- 找到面部标志
- 给面编号
- 从这些数字中说出一个人的名字
为了找到图像中的人脸，我们将一次一个地查看图像中的每个像素。
对于每一个像素，我们都会。看看直接包围它的像素。
主要目标是找出图像在哪个方向变暗，然后画一个箭头指向那个像素。
当您对图像中的每个像素反复执行该操作时，您会看到每个像素都被一个箭头所取代。
这些箭头是“渐变”。它们显示了从亮到暗的流动。
然后我们每个取 16x16 像素，定义图片中的主箭头。
结果，我们得到了一张猪的照片。
现在让我们看看宇航员艾伦·柯林斯的猪照片。
描述:宇航员艾琳·科林斯 的图像的猪特征的可视化参考
如何把自己的照片变成猪的图像？
通过遵循 Python 中的代码，很容易应用这一点。
之后，通过遵循 HOG 模式，我们从图片中找到人脸。
来源:定位人脸
定位面部
为了用数字概括面部，面部识别库在后端使用 dlib 库来寻找面部标志以完成这个概括过程。
你可以从这些点上看到，例如从 36 岁到 41 岁你可以看到右眼，或者从 0 岁到 16 岁你可以看到下巴，或者从 27 岁到 36 岁你可以看到鼻子，全部列表；
- 颌= 0–16
- 右眉= 17–21
- 左眉= 22–26
- 鼻子= 27–35°
- 右眼= 36–41
- 左眼= 42–47
- 嘴巴= 48–60 岁
- 嘴唇= 61–67
来源:面部标志
寻找面部面部标志的代码
来源:妮可·基德曼
要对人脸进行编码，首先，用一串数字来象征人脸是很重要的。为此，我使用了人脸识别库。
从图像中产生的 128 个测量值。
来源:参考
获得这些测量值后，我们比较这些结果来定义或比较人脸。
在这个过程中，我们将根据我们的第一个定义从编码中定义一个人。
现在使用 Adam Geitgeys 库会更好，他也会在他的文章中广泛地定义这个方法。
来源:参考
为了定义，我们将应用机器学习分类算法，该算法是支持向量机算法。
如果你熟悉计算机视觉或机器学习，你肯定知道用于分类的 SVM 算法。
通过这一点，可以在测量值之间进行区分，并且可以知道这些测量值是否是给定个人的。
这个算法会给你两张不同照片的比较结果。
我们要做的第一件事是加载图像并将其转换为 RGB，因为我们得到的图像是 PGR 的，而库理解它为 RGB，所以我们应该转换它。
重要提示:不要忘记安装 dlib 库 19.18，以减少应用代码时的错误。
步骤:
我们将训练并获得正常图像的编码，然后我们将使用我们的测试图像。
我们将选择我们的图像，选择过程取决于你加载了多少图像，如果你有一个以上的图像，选择那一个，你必须使用切片器。
如果你想选择第一个，你应该使用“[0]”符号来确定。
然后我们会对检测到的人脸进行编码。
接下来，我们将绘制一个矩形周围的脸，你可以区分厚度，颜色，或矩形的大小，通过改变代码的值。
找到人脸并在人脸周围画一个矩形后，现在是时候比较人脸了。
要做到这一点，现在是时候应用 SVM 了。当两次测量之间的距离很小时，这意味着可能是匹配的，因为这标识了相似性。
最后，如果你想在人脸周围放置文字，表示匹配是真还是假，你可以使用 puttext 方法，确定你可以根据你的意愿改变文字的大小或颜色。
全代码；
现在是在两个名人之间应用代码的时候了。
正如我们看到的，当两张图片之间的数量增加时，这意味着这里不存在相似性。
图片来源:作者
与此相反，随着数量的减少，这意味着两张照片之间存在不可否认的相似之处，就像我们在例子中看到的一样，这可能是同一个人。
图片来源:作者
这是带有人脸识别库的网络摄像头中人脸识别的完整代码。
图片来源:作者
算法使用保罗·维奥拉&迈克尔·琼斯创造的边缘或线条检测功能。
Haarcascade 是一种对象检测算法，用于识别图像或视频中的人脸。
该算法使用 Paul Viola 和 Michael Jones 在研究论文中创建的边缘或直线检测功能
当 haarcascade 与 opencv 一起使用到 face 时，加载 opencv_contrib_python 库以便能够使用 face 是至关重要的。LBPHFaceRecognizer_create 。
因为 opencv_python 库不包含面。LBPHFaceRecognizer_create 。
请在您的工作目录中创建两个包含图片的文件夹，首先算法将进行训练，然后根据训练的结果进行测试。
如果可能的话，在你的工作目录下下载 xml 格式的 haarcascade
- 以 raw 格式打开
- 按 Ctrl+A，然后按 Ctrl+V，或者按 mac 命令+A 和命令+V
- 通过 python 解释器在目录中创建新文件。我推荐 Anaconda- Spyder，因为我在加载 face 时遇到了一个问题。LBPHFaceRecongizer.create 使用 PyCharm CE。
- 粘贴到一个文件中，然后保存它。
- 您将在代码中使用它。
- 在 OpenCV haarcascades 的新版本中，您可以使用
这将是一个有点长，但我想这将是更有用的，这里是完整的代码和一个对象检测算法的图片中的人脸识别的解释。
图片来源:作者
我做这项研究是因为我的一份工作申请交给我的一项任务。在做了调查和我的申请后，那家公司的 CEO 亲自给我发了电子邮件，感谢我的调查，他说他真的很喜欢那份工作。
然后我想，我可能接受了这份工作，但看起来这是一份没有报酬的实习，这就是我拒绝它的原因。
之后，我把这篇文章发给了一个著名的关于数据科学的网站，而不是媒体，他们喜欢这个想法，我们在他们的网站上发表了这篇文章，并为这篇文章给了我 200 美元，这实际上是一笔很大的交易。
来源:此处
但后来我收到了科罗纳的邮件，他们甚至对我说“早日康复”，但我猜他们后来改变了主意，因为这个过程比预期的要长，他们决定不回我的邮件。
这篇文章作为草稿在我的 google drive 中停留了太长时间，我希望这对你的研究和文章有所帮助，或者只是为了好玩。
为我订阅更多；
[## 每当 Gencay I .出版时，就收到一封电子邮件。
medium.com](https://medium.com/subscribe/@geencay)