Как узнать человека по фотографии: Метаданные – как узнать, где была сделана фотография? – withSecurity.ru

Как проверить человека по фотографии Это совершенно не сложно!

Приветствую всех моих читателей! Сегодня поговорим о том, как проверить человека по фотографии. Конечно, мы не самого человека будем проверять, а лишь информацию о нём. Иногда это бывает нужно.

Зачем, спросите вы? Ну, ситуации могут быть разными, лично я таким образом проверяю «на вшивость» некоторые сайты.

Владельцы этих сайтов, пытаясь что-то продать или «впихнуть» какую-либо услугу, размещают отзывы своих, якобы, клиентов. Но за очень редким исключением, отзывы эти ни что иное, как обычная «липа». В этой статья я покажу один из способов выявления такой «липы».

Проверить человека по фотографии

Как говорится: «Фильм основан на реальных событиях» 🙂

Пришло письмо с предложением бесплатно получить книгу по онлайн-бизнесу. Судя по описанию, книга была бы мне интересна. Перехожу на указанный в письме сайт, но для получения книги от меня требуется указать свой email, телефон, ну и имя с фамилией. Причём все данные обязательны.

Листаю страницу сайта дальше и дохожу до отзывов…

Эти жизнерадостные люди уже стали обладателями книги и написали восторженные отзывы о ней. При наведении курсора мыши на фотографию появляется и текст отзыва.

Неплохая реализация, правда?

Особенно, если учесть то, что вот этот всплывающий текст отзыва, полностью перекрывает фотографию и не даёт совершить над ней какие-либо действия.

Например, открыть контекстное меню для фото, а не для перекрывшего его текста…

А ведь это не просто красивая фишка.

Видимо, по замыслу разработчиков, это не позволит получить URL изображения и проверить человека по фотографии…

Ну детский сад, ей-богу…  😉

И что-то мне это здорово напомнило мою же статью про инфобизнес…

Получаем URL фотографии простым способом

Несколько секунд «мышиной» возни и мне удалось-таки обмануть эту «всплывалку»… 😉

Вот мы и добрались до нужных нам опций. Либо копируем адрес изображения, либо открываем его в новой вкладке, а там, опять-таки копируем адрес — хоть правым кликом мыши, хоть из адресной строки браузера.

Узнайте, как найти человека по фотографии

В детективных фильмах мы часто видим, как сотрудники полиции осуществляют поиск людей по фото. Но доступно ли такое действие обычному человеку? Оказывается, найти знакомого по фотографии возможно.

Профессиональных сайтов для поиска по изображениям нет, но есть ресурсы, способные осуществлять несложный подбор людей по фото. Например, соц. сеть «ВКонтакте» предназначена для того, чтобы вы искали своих друзей по их анкетным данным. Однако можно попробовать подбор пользователей по фотографиям. Есть и иные способы найти человека по фото.

Давайте вместе узнаем, как найти человека по фотографии. Но для начала обратите внимание на то, что отыскать можно лишь то изображение, которое имеется во Всемирной сети.

Как подготовить фотографии для поиска

У вас должна иметься качественная фотография, на которой хорошо видно все черты лица, а также иные детали. Это фото следует отсканировать и сохранить на своём ПК, а также загрузить тоже самое изображение на какой-нибудь фото-хостинг. Подготовка окончена. Теперь можно найти человека по фотографии или хотя бы попытаться это сделать.

Ищем знакомого с помощью сервиса «Google-картинки»

На вопрос о том, как найти человека по фотографии, могут ответить поисковые системы Google и Яндекс. Давайте рассмотрим принцип их работы на основе системы «Гугл».

«Google-картинки» — это специальный поисковик для изображений. В поисковую строку можно водить название или описание фотографии, использовать голосовой поиск и даже добавлять готовые изображения.

Рассмотрим подробнее поиск по готовым картинкам. Добавлять фотографии в «Гугл» можно четырьмя разными способами:

1. Загрузить фото с вашего ПК.
2. Указать адрес изображения на компьютере.
3. Загрузить изображение на фото-хостинг, а затем вписать адрес фотографии в поисковик «Google-картинки».
4. Добавить к своему браузеру специальное приложение, помогающее искать картинки. Например, в «Гугл Хроме» есть приложение Search by image for Google. Как работает данная программка? Если вы наведёте мышку на какое-нибудь изображение в интернете, появится ярлычок для перехода в «Гугл-поисковик».

Вам будет представлено множество изображений, удовлетворяющих результатам поиска. Останется лишь выбрать из них подходящие фотографии. Обратите внимание на то, что «Яндекс-картинки» работают аналогично своему собрату!

Поиск людей по фотографии на сайте Tineye.com

Узнать, как найти человека по фотографии, поможет специальный сайт Tineye.com. Здесь также можно загружать подготовленное изображение или указывать его адрес на вашем любимом хостинге для картинок. Этот сервис неспособен определять местонахождение ваших знакомых, но сайты, на которых такое фото есть, выдаст. Быть может, среди результатов поиска окажутся адреса соц. сетей, где имеется страничка искомого человека.

Аналогом этого сервиса является сайт Gazopa.com. Отличие в том, что данный ресурс помогает найти копии вашей картинки. А Tineye.com ищет все изображения, похожие на предоставленное вами. Оба сервиса предоставляют удобные расширения для вашего браузера.

Как искать знакомых «ВКонтакте», используя фотографии

Искать людей из «ВКонтакте» можно с помощью сервиса Tofinder.ru, который выдаёт также подходящих людей с сайта «ВК». Данный ресурс работает аналогично сайту Tineye.com.

Для того чтобы отыскать человека в данной соц. сети, надо знать его имя и фамилию, а также иметь качественное фото. Если всё это у вас есть, зайдите на «ВКонтакте» и воспользуйтесь формой поиска «Люди». Введите в поисковик соц. сети известные данные, а затем отсортируйте найденных людей, сравнив их с имеющейся у вас фотографией.

Оказывается, найти человека «ВКонтакте» по фотографии можно с помощью специальной функции, которая имеется в данной сети! Для этого зайдите на свою страницу «ВК», а затем перейдите в раздел «Новости». Здесь надо выбрать вкладку «Фотографии». Если такого пункта у вас нет, нажмите на плюсик, расположенный перед всеми остальными заголовками. Теперь выберите в появившемся списке надпись «Фотографии».

После всех описанных выше действий у вас должна появиться поисковая строка с подписью «Поиск по фотографиям». Здесь имеется пять функций поиска:

1. Поиск по описанию.

Введите название, метки или описание нужной картинки. Поисковик выдаст изображения с подходящими текстами. Обратите внимание на то, что система умеет читать надписи на картинках!

2. Поиск с использованием фотофильтров.

На «ВКонтакте» есть шесть фильтров, которые можно увидеть, редактируя свои фотографии. выберите нужный вид фильтра, а затем введите в поисковик следующие символы: «filter:название выбранного фильтра». Перед этими знаками можно также ввести текст.

3. Поиск с использованием геолокации.

Перейдите во вкладку «Поиск», а затем выберите кнопку «Геолокация». Выберите место, где предположительно находится ваш знакомый, а потом нажмите кнопку «Искать по записям неподалёку». Теперь надо скопировать координаты, высветившиеся в поисковой строке, и вставить их в поисковик для фото.

4. Поиск с исключением ненужных слов.

Введите в поисковую строку описание к фотографии, а после него вставьте символы: «-исключаемое слово –dr». Так вы сможете сузить поиск людей.

5. Поиск похожих фотографий.

Загрузите подготовленное изображение в любой из своих альбомов, а потом скопируйте последние знаки от ссылки на загруженное фото. У вас должно получиться что-то вроде этого: «photo-12345_6789». Вставьте данную комбинацию в поисковую строку, прописав перед ней «copy:». Теперь в поисковой выдаче вы увидите картинки, похожие на вашу.

Используйте описанные выше функции с учётом тех данных о человеке, которые вам известны.

Другие способы поиска

Допустим, что молодой человек познакомился с барышней во время отдыха. Вернувшись домой, он обнаруживает, что ничего об этой особе не знает. Есть у него только фото незнакомки. Парень решается найти девушку по фотографии. Он может воспользоваться способами поиска, которые были освещены выше. Но можно отыскать прекрасную даму и другими методами:

1. Обратиться в передачу «Жди меня», описав при этом все обстоятельства знакомства с этой девушкой.
2. Разместить объявления в различных соц. сетях и на форумах.
3. Искать людей можно также на сайтах: Photodate.ru, Alipr.com, Picitup.com.

Обман во Всемирной паутине

Желание выяснить то, как найти человека по фотографии, иногда приводит на сайты-обманщики. Здесь вам предложат найти известного человека, похожего на вас. Для выполнения поиска надо загрузить своё фото, а затем подтвердить своё решение с помощью мобильного телефона.

Вместо предоставления обещанной услуги у вас просто снимут деньги со счёта мобильного. Теоретически можно вычислить преступника по его IP-адресу, но на практике любой умелый мошенник может изменить свой IP. Так что не следует использовать подобные ресурсы.

Как найти человека по фотографии – обзор действенных способов

Почему люди ищут других людей? Кто-то потерял связь с близким человеком, другой стал жертвой мошенника, кому-то понравилась девушка. Причины разные, но цель одна — узнать больше информации о нужном человеке.

Современные возможности интернета позволяют найти человека, не прибегая к услугам программы «Жди меня». Достаточно лишь иметь фотографию и воспользоваться специальными сервисами и услугами. В этой статье мы рассмотрим основные способы поиска человека по фотографии.

Специальные сайты поиска людей

Осознавая потребность в подобных розыскных работах, люди создали целые проекты по данному вопросу. Среди них выделим два сайта. Первый — это findface.ru. Что он из себя представляет, и как им правильно пользоваться? Давайте узнаем.

Ищем с findface.ru

Портал findface.ru является инновационным сервисом для поиска людей по фотографии. Ориентирован этот сайт на социальную сеть «Вконтакте». Пользователи ВК могут осуществить розыск других юзеров сети. Что нужно для работы с findface.ru?

• Аккаунт в соц. сети «Вконтакте».
• Фотография искомого пользователя. Да, именно пользователя — если нужный человек не имеет профиля ВК, то необходимо будет перейти на другой ресурс.
• Кстати, фото может быть далеко не лучшего качества. Сайт findface.ru имеет замечательное свойство, такое как работа с некачественными материалами.

Что необходимо сделать для поиска через findface.ru?

• Перейдите на главную страницу.
• Авторизуйтесь через социальную сеть «Вконтакте».
• Загрузите картинку. Для этого можно просто перетащить ее в окно браузера. Либо нажмите на «Загрузите» и укажите путь к файлу.
• Впишите адрес электронной почты по требованию сайта.
• Далее перед вами откроется список подходящих пользователей. Выберите нужного человека, просмотрев другие фото пользователей.
• В результатах юзеры расположены по убыванию схожести.

Данный сайт является условно бесплатным. Пройдя несложную регистрацию, вы получаете 30 бесплатных поисков. Этого вполне достаточно для обычного пользователя. Если же вам нужно больше, потребуется купить премиум- или VIP-аккаунт. Заплатив небольшую сумму, вы получите больше поисков в месяц, а также другие возможности.

Помните! Установив мобильное приложение на свой смартфон, вы сразу сможете пообщаться с найденным человеком без особых усилий.

Сайт помощи pomogitenayti.ucoz.ru

Другой вариант поиска человека — это сайт pomogitenayti.ucoz.ru. В отличие от предыдущего, этот проект строится исключительно на помощи сторонних людей. Смысл проекта в следующем: юзер оставляет запрос на поиск, а другие люди помогают его найти.

Фотография, город, имя и фамилия, возраст или другие любые известные данные — это все, что требуется от человека, решившего добавить статью на pomogitenayti.ucoz.ru. Будьте максимально точны и просматривайте ленту — вдруг кто-то ищет вашего соседа!

Гугл Картинки

Компания «Гугл» задает темп всем остальным последующим ресурсам. В частности, поиск по картинкам уже давно доступен в этой системе. Давайте узнаем, как проделать эту процедуру в Google.

• Перейдите на сайт «Гугл.Картинки» — images.google.com. Это можно сделать, кликнув по данной ссылке, или зайти на главную страницу Google, а оттуда — в подраздел «Картинки».
• В строке поиска следует нажать на значок фотоаппарата.

• Загрузите файл для поиска, нажав на правильную кнопку, или вставьте ссылку на изображение из сети.
• Как получить ссылку на изображение? Достаточно найти картинку в интернете, кликнуть по ней правой кнопкой мыши и в контекстном меню выбрать «Копировать адрес изображения». В зависимости от браузера, в строке может быть написано «Копировать URL картинки» или что-то другое.
• Поисковая система выдаст результат — все похожие фото. Дальше необходимо самостоятельно определить по источнику файла, что это за материал. Например, если ссылка на социальную сеть, значит это профиль человека ВК, ОК, ФБ или других сетей, и вам повезло.
• Если же фото указывает на официальный сайт известной личности, то человек, использовавший изображение, является обманщиком.

«Яндекс» не отстает

Российский поисковик Yandex не желает проигрывать иностранному конкуренту. Поиск по фото также доступен и на странице yandex.ru/images. Рассмотрим в деталях использование этого сервиса.

• Перейдите на нужную страницу — yandex.ru/images.
• Кликните в поисковой строке на значок фотоаппарата с лупой посредине.
• В нужном поле можно вставлять ссылки на изображения из интернета. Также можно загрузить картинку из локальных источников.
• Нажмите «Найти». Результаты схожи с «Гуглом» — найти требуемый файл нужно самому по источнику.

Где человек взял фото?

Порой возникает необходимость узнать первоисточник определенного изображения. Как оно появилось? Кто сфотографировал и выложил в интернет? Такую возможность предоставляет сайт «Тин Ай».

Порядок действий на этом ресурсе схож с двумя предыдущими. Пользователю необходимо зайти на главный сайт tineye.com. Хотя ресурс представляется на английском языке, его интерфейс понятен интуитивно. Строка позволяет вставить URL картинки, а кнопка, на которой изображен кружок со стрелкой вверх — загрузить файл из персонального компьютера. Также можно просто перетащить файл.

Для знающих английский язык есть страница с инструкцией по работе с сайтом. Здесь мы не будем ее пересказывать, можете прочитать по ссылке  tineye.com/how. Также стоит помнить, что сервис не всегда сможет найти все фото, особенно свежие.

Пользуйтесь всеми доступными методами поиска людей по фото в различном сочетании. Тогда вы получите нужный результат!

Как найти человека по фото Вконтакте

Здравствуйте, друзья! Сегодня мы с вами будем заниматься поиском людей по фотографиям в социальной сети Вконтакте. Вот представьте себе, что у нас есть лишь только фотография, а нам по этой фотке необходимо найти его страничку. Возможно это будет только в том случае, если он эту фотку загрузил в социальную сеть и не скрыл ее (Как скрыть фото вконтакте). Такое можно сделать, я проверял на практике, есть парочку проверенных способов и сейчас мы с вами их рассмотрим.

Также рекомендую к прочтению:

Как найти человека по фамилии и имени в вк

Как найти человека по id в вк

Как найти человека не регистрируясь в вк

Поиск по фотографиям Вконтакте

Чтобы воспользоваться данной функцией социальной сети и найти человека нам вначале необходимо загрузить фотографию, по которой мы будем искать к себе в аккаунт (Как добавить фото в вк). Теперь мы идем в альбом, в который добавили данное фото и нажимаем на саму фотографию, чтобы она у нас полностью подгрузилась.

После того, как фотка подгрузится, смотрим на адресную строку браузера и копируем адрес фотографии. Адрес фото нужно копировать не весь, а лишь только те цифры, что идут после слова photo (вместе с ним) и до знака %. Смотрите на скриншот и все станет ясно:

Теперь заходим на свою страничку главную и нажимаем на пункт меню «Новости»

Далее в открывшемся окошке в правом меню ищем подпункт «Фотографии» и нажимаем на него:

Почти в самом верху открывшейся страницы над новостями у нас есть окошко поиска по фотографиям. Вставляем в него слово copy: после него сразу адрес той фотографии, которую вы загрузили и по которой необходимо найти человека.

См. скриншот:

Нажимаем на Enter. И у нас подгружаются все точно такие же фотографии, загруженные в социальную сеть разными пользователями. Естественно, если фотография уникальная, то в вашем случае такой пользователь будет один. Вам достаточно будет лишь нажать на фото и перейти по ссылке на владельца данной фотографии:

Вот и все, мы с вами справились с задачей.

Поиск по картинкам от Яндекса

Сейчас я вам, для общего развития, покажу еще один способ найти человека Вконтакте по фотографии. Но обратите внимание, что он сработает, только если пользователь загрузил ее на аватарку. Речь пойдет о поиске по картинкам от поисковой системы Яндекс.

Переходим по адресу https://yandex.ua/images/ и нажимаем на кнопочку со значком фотоаппарата под названием «Поиск по картинке»:

В следующем окошке жмем по кнопке «Выберите файл», чтобы загрузить фотографию в систему для поиска.

Через Проводник найдите на компьютере нужное изображение, выделите его и жмите «Открыть».

Система покажет вашу картинку и ниже все похожие, что смогла найти. С большой долей вероятности первым будет идти снимок точь-в-точь похожий на ваш.

Пролистайте ниже и увидите список сайтов, где встречается картинка. Выберите любой из предложенных. В примере я остановился на poisksocial.ru. Нажмите правой кнопкой мыши по заголовку и выберите из списка «Открыть ссылку в новой вкладке».

На открывшемся сайте можно выполнить поиск человека в любой из социальных сетей, которые есть в списке слева. У нас уже выбрана Вконтакте и указаны ФИО, для которых отображаются результаты (кстати, я их не вводил, они уже были прописаны, когда я открыл сайт. Хоть ищу человека с другими ФИО, для чистоты эксперимента ничего менять не стал).

В окне посредине отображаются все доступные, подходящие странички пользователей. Пролистываем их и да, там есть нужный мне человек, а на его аватарке установлено фото, которое я использовал для поиска.

Кликните по имени и на следующей странице выберите любой снимок из фото галереи. Откроется страница Вконтакте найденного пользователя и можно считать, что вы его нашли.

Поиск по картинкам в Google

Точно такой же сервис, как и у Яндекса, есть у поисковой системы Google. Давайте точно также попробуем найти по фотографии, которая стоит у меня на аватарке, мою страничку Вконтакте.

Заходим на главную страницу Гугла и в правом верхнем углу нажимаем на ссылку «Картинки»:

У нас открывается сервис поиска по картинкам, подводим курсор в правый угол поисковой строки и нажимаем на значок фотоаппарата. Эта кнопочка называется «Поиск по картинке».

В открывшемся окне переходим во вкладку «Загрузить файл» и нажимаем на кнопку «Выберите файл»:

Загружаем фотографию, по которой хотим искать аккаунт Вконтакте и наблюдаем результаты.

У меня отобразились запросы, связанные с официальным стилем в одежде (поскольку на фото люди в черно-белом). И в «Похожих изображениях» ничего не было.

Если у вас так же, давайте немного уточним поиск. Для этого в соответствующую строку нужно ввести имя и фамилию человека, которого ищите (желательно, чтобы они совпадали с тем, как пользователь подписан в вк), и нажать на лупу.

Теперь у меня появилось похожее изображение. Нужно нажать на него.

Обратите внимание, чтобы справа, под именем, было написано название соцсети Вконтакте, и нажимайте на кнопку «Перейти». Откроется страница человека, у которого на аватарке стоит данное фото, и теперь решайте – его вы искали или нет.

Как видим, моя страничка Вконтакте снова нашлась, а это значит, что мы снова достигли цели. А на этом я заканчиваю данную статью, в которой мы научились искать страницы в вк по фотографиям.

Как читать по фотографии?

По фотографии можно узнать о человеке многое. Опытные экстрасенсы и ясновидящие могут с одного взгляда на снимок рассказать, жив человек или мертв, болен или здоров, а также составить его карту будущего или прошлого. Научиться же получать информацию с фотоснимка не так уж и сложно.

Специалисты рекомендуют учиться читать по фотографиям знакомых вам людей, т.е. тех, о которых вы знаете практически все. Особенно хороши для изучения разные фото одного и того же человека в разное время.

Для того чтобы научиться читать по фотоснимку, возьмите фотографию. Смотрите на нее внимательно, старайтесь сфокусировать на ней свой взгляд. Вы должны видеть сквозь фотографию. Идеально будет, если вы сможете посмотреть на пару сантиметров за снимок.

После того как сконцентрируетесь, подумайте о том, что может делать этот человек сейчас. Взгляд от фото при этом не отрывайте. Если у вас получится правильно сконцентрироваться, то вы сможете заметить, как изменяется изображение на снимке. Чтобы правильно увидеть эти метаморфозы, нужно отключить воображение — оно придаст образу лишних деталей.В случае, если получившееся в результате изменений изображение вас не устраивает, снова про себя повторите свой запрос.

Так вы сможете увидеть, как человек изменился внешне — отпустил бороду, подстригся и т.д.

Если вы хотите узнать не только об изменениях, произошедших с человеком, но еще и об его состоянии в данный момент, повторите первое упражнение, но с небольшими дополнениями. Вместо фразы «Этот человек сейчас» думайте о том, как он себя ощущает, где он находится, что с ним происходит.Чтобы понять, как исследуемый человек относится к тому или иному событию, сфокусируйтесь на фотографии. Смотреть нужно также за фото, но одновременно через него. Дальше все зависит от того, на что вы привыкли опираться. Если это визуальные образы, то вы сможете увидеть, как изменяется выражение лица того человека, о котором вы получаете информацию. В случае, когда вы привыкли больше доверять ощущениям, при правильной концентрации вы сможете почувствовать чувства объекта внутри себя.

Когда вы хотите узнать прошлое человека, вам нужно повторить все уже известные вам упражнения, формулируя при этом внутри себя вопрос от том, что с ним случилось в тот или иной период времени.

По фотографии также можно узнать будущее человека. Посмотрите на снимок. Снова сфокусируйтесь на объекте и посмотрите на фотографию через нее. Учтите тот факт, что там, где вы должны сфокусировать свой взгляд, проходит линия времени и жизни человека, изображенного на снимке. Согласно ей слева вы можете увидеть прошлое, справа будущее. Линию смещайте так, как вам удобно. Кроме этого вам нужно определить токи, которые вы будете рассматривать — это так называемые моменты жизни. Чтобы прочитать будущее по фотографии, необходимо для начала сфокусироваться на настоящем, а затем как ленту транспортера перемотать линию в ту сторону, куда вам нужно. Дальше действуйте уже по привычной схеме.Если вы хотите подобным образом проанализировать собственную фотографию, вам нужно отстраниться от того, что это вы. Представьте, что на снимке изображен совершенно не знакомый вам человек. Так будет проще сконцентрироваться. Главная сложность — отключить эмоции, ведь они могут придать вашим ощущениям ненужных подробностей и деталей.

Обязательно проверьте полученную от фотографии информацию. Для этого просто спросите было то или иное событие в жизни человека со снимка у него самого. Такой способ поможет вам понять на правильном ли вы пути находитесь.

Тайны человека, которые можно узнать по фото в соцсетях! Обрати внимание на эти детали.

Для многих пользователей Интернета социальные сети стали важной частью жизни. В связи с их популярностью во всём мире, психологи решили провести исследование, в результате которого выяснилось, что по личным фотографиям можно узнать много интересного о владельце той или иной странички.

Фотографии с моей страницы

Снимок для размещения в соцсетях человек выбирает на подсознательном уровне: нравится — не нравится. На самом деле фото соответствует основным чертам его характера и душевному состоянию в определенный момент.

Редакция собрала для тебя информацию о том, как можно проанализировать состояние человека по его профилю в Интернете. Всё как на ладони! Кто бы мог подумать…

• Разнообразные селфи
  Под обилием таких фотографий скрывается повышенная потребность в признании и одобрении, самовлюбленность и склонность к самолюбованию.

   

• Сексуальные фото
  Губы уточкой, призывно подчеркнутые очертания тела, чрезмерно раскрепощенные позы свидетельствуют о том, что человеку не хватает внимания противоположного пола. Выставляя все свои достоинства на всеобщее обозрение, он хочет понравиться окружающим.

   

• Фото пары
  Может указывать на два варианта душевного состояния человека. Первый — нехватка уверенности в том, что его может кто-то любить, и страх потерять то, что он имеет. Второй — зацикленность на отношениях, полное растворение в своем партнере.

   

• Фото в компании
  Обилие фотографий, сделанных на различных тусовках и в компаниях, где ты весело проводишь время, может свидетельствовать о внутренней пустоте и одиночестве. А еще о том, что принадлежность к определенной группе людей льстит твоему самолюбию.

   

• Дети
  Аватарка профиля с детской фотографией говорит об усталости человека от взрослой жизни, ответственности, кредитов и ипотеки. За этим стоит подсознательное желание вернуться в детство и потребность в заботе.

   

  Большим количеством фотографий со своими детьми или детей по отдельности мы транслируем в мир такое послание: «Я — мама (папа), это большое достижение в моей жизни!»

• Животные и фото с ними
  Когда парень ставит в своем профиле изображение дикого волка, грациозного гепарда — это попытка выдать желаемое за действительное. Владелец странички хочет казаться смелым и сильным.

   

  Девушки любят ставить фото из разряда «милота». Обычно это говорит о сентиментальности или легкой инфантильности хозяйки страницы.

• Природа
  Такие фото создают посыл об удовлетворенности миром. Жизнь удалась, можно и природой полюбоваться. Но может также говорить об усталости от бешеного повседневного ритма, потребности в уединении и созерцании красот природы.

   

• Гламурные образы
  Налицо потребность в нарциссической поддержке, в эмоциональных поглаживаниях в виде лайков и лестных комментариев. А это повод задуматься о своей самооценке и альтернативных способах ее укрепления, не приводящих к зависимости от виртуального мира.

   

• Фотографии из путешествий
  Такие фото — показатель высокого статуса или стремления к нему. «Я отдыхаю на море, умею хорошо жить» — общий подтекст подобных снимков.

   

  Подтверждение факта, что ты побывал там, где побывали миллионы других. Но ты здесь впервые, и это твое личное достижение — вот ты и сделал фото на фоне Эйфелевой башни или других известных достопримечательностей.

• На фоне предметов роскоши, яхт и дорогих машин
  Успешные люди не будут выставлять фото своих материальных благ, они привыкли к своей благополучной жизни. Для них «Мазерати» — это просто машина. А вот те, кому комфорта в жизни не хватает, обязательно сделают селфи с крутой тачкой.

   

• Фото еды
  Снимки изысканной еды из дорогого ресторана — попытка самоутверждения. Обилие таких фотографий в профиле мамы в декрете или домохозяйки зачастую показывает стремление доказать (в первую очередь самой себе), что дела обстоят не хуже, чем у других. Что и на кухне может быть не менее интересно, чем на переговорах, в офисе и на фестивалях.

   

• Экстремальное фото
  Прыжки с парашютом, снимки на сплаве, в горах — такие фото говорят, что у человека сильная воля и желание узнавать что-то новое. Тем более что именно в экстремальных условиях выходят на первый план истинно мужские качества: смелость, сила, надежность.

   

• Свои забавные фото
  Человека одолевают проблемы, и веселым снимком он призывает посмеяться вместе с ним и расслабиться. Он как бы высмеивает свои проблемы. Зато общаться с такой личностью будет куда приятнее, чем с нытиком или ворчуном.

   

• На рабочем месте
  Человеку не хватает общественного признания. Он, скорее всего, хороший специалист и профессионал, но, как ему кажется, об этом знают не все.

   

• Предметы, раскладки, часть целого
  Любое деление предмета на части выдает человека, который хочет казаться нестандартным. Такие люди иногда сложны в общении, но, как правило, щедры, обстоятельны, кроме того, обладают творческими задатками и эстетическим чутьем.

   

• Реальные фото без фотошопа и фильтров
  Такие фото говорят о том, что человек воспринимает себя таким, какой он есть. Он использует соцсети для общения с друзьями или для работы, а не как повод показать себя во всей красе. Предпочитает не фотографировать моменты и делиться ими, а проживать их во всей полноте.

   

Теперь ты знаешь, как много можно узнать о характере человека по его фотографии в соцсети. Это может пригодиться тебе в случае нового знакомства, при подборе персонала, анализе очередного знакомого(-ой) на предмет совпадения интересов и возможного будущего, а также просто для лучшего понимания тех людей, которые находятся вокруг.

А что ты думаешь по этому поводу? Согласен ли с этим исследованием психологов? Будем рады, если ты поделишься своими размышлениями в комментариях.

published on cemicvet.ru according to the materials takprosto.cc

Мой мир

Facebook

Вконтакте

Twitter

Одноклассники

java — Как распознать человека по изображению в OpenCv

1. Около
2. Продукты
3. Для команд

1. Переполнение стека Общественные вопросы и ответы
2. Переполнение стека для команд Где разработчики и технологи делятся частными знаниями с коллегами
3. Вакансии Программирование и связанные с ним технические возможности карьерного роста
4. Талант Нанимайте технических специалистов и создавайте свой бренд работодателя
5. Реклама Обратитесь к разработчикам и технологам со всего мира
6. О компании

Распознавание лиц OpenCV — PyImageSearch

В этом руководстве вы узнаете, как использовать OpenCV для распознавания лиц. Чтобы создать нашу систему распознавания лиц, мы сначала выполним обнаружение лиц, извлечем вложения лиц из каждого лица с помощью глубокого обучения, обучим модель распознавания лиц на вложениях, а затем, наконец, распознаем лица как на изображениях, так и в видеопотоках с помощью OpenCV.

Сегодняшнее руководство — это также особый подарок моей невесте Трише (которая теперь официально является моей женой). Наша свадьба была на выходных, и к тому моменту, когда вы прочтете этот пост в блоге, мы будем в аэропорту, готовясь к посадке на наш рейс в медовый месяц.

Чтобы отпраздновать это событие и показать ей, как много для меня значит ее поддержка меня, блога PyImageSearch и сообщества PyImageSearch, я решил использовать OpenCV для распознавания лиц в наборе данных наших лиц.

Конечно, вы можете поменять местами свой собственный набор данных лиц! Все, что вам нужно сделать, это следовать моей структуре каталогов и вставлять собственные изображения лиц.

В качестве бонуса я также добавил, как маркировать «неизвестные» лица, которые нельзя классифицировать с достаточной степенью уверенности.

Чтобы узнать, как выполнять распознавание лиц OpenCV, просто продолжайте читать!

Распознавание лиц OpenCV

В сегодняшнем руководстве вы узнаете, как выполнять распознавание лиц с помощью библиотеки OpenCV.

Вам может быть интересно, чем этот учебник отличается от того, что я написал несколько месяцев назад по распознаванию лиц с помощью dlib?

Ну, имейте в виду, что сообщение о распознавании лиц dlib опиралось на две важные внешние библиотеки:

1. длб (очевидно)
2. face_recognition (простой в использовании набор утилит для распознавания лиц, охватывающий dlib)

Хотя мы использовали OpenCV для для облегчения распознавания лиц , сам OpenCV не отвечал за идентификацию лиц.

В сегодняшнем руководстве мы узнаем, как мы можем применить глубокое обучение и OpenCV вместе (без каких-либо других библиотек, кроме scikit-learn) к:

1. Обнаружение лиц
2. Вычислить 128-мерные вложения граней для количественной оценки лица
3. Обучите машину опорных векторов (SVM) поверх вложений
4. Распознавать лица на изображениях и видеопотоках

Все эти задачи будут выполнены с помощью OpenCV, что позволит нам получить «чистый» конвейер распознавания лиц OpenCV.

Как работает распознавание лиц OpenCV

Чтобы создать конвейер распознавания лиц OpenCV, мы будем применять глубокое обучение в два основных этапа:

1. Для применения обнаружения лица , который определяет присутствие и местоположение лица на изображении, но не идентифицирует его
2. Для извлечения 128-мерных векторов признаков (называемых «внедрениями»), которые количественно определяют каждого лица на изображении

Я уже обсуждал, как работает распознавание лиц OpenCV, поэтому, пожалуйста, обратитесь к нему, если вы раньше не обнаруживали лица.

Модель, отвечающая за фактическую количественную оценку каждого лица на изображении, взята из проекта OpenFace, реализации Python и Torch распознавания лиц с глубоким обучением. Эта реализация взята из публикации Шроффа и др. CVPR 2015 года: FaceNet: A Unified Embedding for Face Recognition and Clustering .

Обзор всей реализации FaceNet выходит за рамки этого руководства, но суть конвейера можно увидеть на рис. 1 выше.

Сначала мы вводим изображение или видеокадр в конвейер распознавания лиц. Учитывая входное изображение, мы применяем обнаружение лица, чтобы определить местоположение лица на изображении.

При желании мы можем вычислить лицевые ориентиры, что позволит нам предварительно обработать и выровнять лицо.

Выравнивание лица, как следует из названия, — это процесс (1) определения геометрической структуры лиц и (2) попытки получить каноническое выравнивание лица на основе перемещения, поворота и масштаба.

Хотя это и необязательно, выравнивание лиц было продемонстрировано для повышения точности распознавания лиц в некоторых конвейерах.

После того, как мы (необязательно) применили выравнивание и кадрирование лица, мы передаем входное лицо через нашу глубокую нейронную сеть:

Модель глубокого обучения FaceNet вычисляет 128-мерное вложение, которое количественно определяет само лицо.

Но как сеть на самом деле вычисляет вложение лица?

Ответ кроется в самом тренировочном процессе, в том числе:

1. Входные данные в сеть
2. Триплетная функция потерь

Для обучения модели распознавания лиц с помощью глубокого обучения каждый входной пакет данных включает три изображения:

1. Анкер
2. позитивное изображение
3. негатив изображение

Якорь — это наше нынешнее лицо и имеет идентификационный номер A .

Второе изображение — это наше позитивное изображение — это изображение также содержит лицо человека A .

Негативное изображение, с другой стороны, не имеет такой же идентичности и может принадлежать человеку B , C или даже Y !

Дело в том, что привязка и позитивное изображение принадлежат одному и тому же человеку / лицу, в то время как негативное изображение не содержит одного и того же лица.

Нейронная сеть вычисляет 128-мерные вложения для каждого лица, а затем настраивает веса сети (с помощью функции потерь триплета) так, чтобы:

1. 128-дневные вложения якоря и позитивного изображения лежат ближе друг к другу
2. В то же время отталкивая вложения для негативного изображения отца

Таким образом, сеть может научиться количественно определять лица и возвращать очень надежные и различающие вложения, подходящие для распознавания лиц.

И, кроме того, мы можем фактически повторно использовать модель OpenFace для наших собственных приложений без необходимости ее явного обучения!

Несмотря на то, что модель глубокого обучения, которую мы используем сегодня (очень вероятно), никогда не видела лица, через которые мы собираемся пройти, все равно сможет вычислять вложения для каждого лица — в идеале, эти вложения лиц будет достаточно отличаться, чтобы мы могли обучать «стандартный» классификатор машинного обучения (SVM, SGD classifier, Random Forest и т. д.) поверх вложения лиц и, следовательно, получаем наш конвейер распознавания лиц OpenCV.

Если вам интересно узнать больше о деталях, связанных с потерей триплетов и о том, как их можно использовать для обучения модели встраивания лиц, обязательно обратитесь к моему предыдущему сообщению в блоге, а также к статье Schroff et al. публикация.

Наш набор данных распознавания лиц

Набор данных, который мы используем сегодня, состоит из трех человек:

• Я
• Триша (моя жена)
• «Неизвестно», который используется для представления лиц людей, которых мы не знаем и хотим обозначить как таковые (здесь я только что взял образцы лиц из фильма « Парк Юрского периода », которые я использовал в предыдущем посте — вы можете вставить свои собственный «неизвестный» набор данных).

Как я уже упоминал во введении к сегодняшнему посту по распознаванию лиц, я только что женился на выходных, так что этот пост — «подарок» моей новой жене?

Каждый класс содержит всего шесть изображений.

Если вы создаете свой собственный набор данных для распознавания лиц, в идеале я бы предложил иметь 10-20 изображений на человека, которого вы хотите распознать — обязательно обратитесь к «Недостатки, ограничения и способы повышения точности распознавания лиц». раздел этого сообщения в блоге для получения более подробной информации.

Структура проекта

После того, как вы загрузили zip из раздела «Загрузки» этого сообщения, распакуйте архив и перейдите в каталог.

Оттуда вы можете использовать команду tree , чтобы распечатать структуру каталогов в вашем терминале:

 $ дерево --dirsfirst
.
├── набор данных
│ ├── адриан [6 изображений]
│ ├── trisha [6 изображений]
│ └── неизвестно [6 изображений]
├── изображения
│ ├── adrian.jpg
│ ├── patrick_bateman.jpg
│ └── trisha_adrian.jpg
├── face_detection_model
│ ├── deploy.prototxt
│ └── res10_300x300_ssd_iter_140000.caffemodel
├── выход
│ ├── embeddings.pickle
│ ├── лепешка
│ └── распознаватель.пик
├── extract_embeddings.py
├── openface_nn4.small2.v1.t7
├── train_model.py
├── признать.py
└── признать_video.py

7 каталогов, 31 файл
 

В этом проекте довольно много движущихся частей — найдите время, чтобы внимательно прочитать этот раздел, чтобы ознакомиться со всеми файлами в сегодняшнем проекте.

У нашего проекта в корневой папке четыре каталога:

• dataset / : Содержит изображения лиц, организованные во вложенные папки по имени.
• изображений / : Содержит три тестовых изображения, которые мы будем использовать для проверки работы нашей модели.
• face_detection_model / : содержит предварительно обученную модель глубокого обучения Caffe, предоставленную OpenCV для обнаружения лиц. Эта модель обнаруживает , а локализует лиц на изображении.
• output / : Содержит мои выходные файлы рассола. Если вы работаете со своим собственным набором данных, вы также можете хранить здесь свои выходные файлы. Выходные файлы включают:
  • embeddings.pickle : сериализованный файл изображений лица. Вложения были вычислены для каждого лица в наборе данных и сохранены в этом файле.
  • le.pickle : Наш кодировщик этикеток. Содержит именные метки людей, которых наша модель может распознать.
  • распознаватель.pickle : Наша модель машины линейных опорных векторов (SVM). Это модель машинного обучения, а не модель глубокого обучения, и она отвечает за фактическое распознавание лиц лиц.

Подведем итоги пяти файлов в корневом каталоге:

• extract_embeddings.py : Мы рассмотрим этот файл на этапе Step # 1 , который отвечает за использование экстрактора функций глубокого обучения для создания 128-мерного вектора, описывающего лицо.Все лица в нашем наборе данных будут переданы через нейронную сеть для создания встраиваемых изображений.
• openface_nn4.small2.v1.t7 : модель глубокого обучения Torch, которая создает 128-мерные вложения лиц. Мы будем использовать эту модель глубокого обучения в Шагах №1, №2 и №3 , а также в разделе Bonus .
• train_model.py : Наша линейная модель SVM будет обучена этим скриптом на этапе Step # 2 . Мы обнаружим лиц , извлечем вложений и подгоним нашу модель SVM к данным вложений.
• распознавать.py : в Шаге № 3 , и мы распознаем лиц на изображениях. Мы будем обнаруживать лиц, извлекать вложений и запрашивать нашу модель SVM, чтобы определить , кто находится на изображении. Мы нарисуем рамки вокруг лиц и снабдим каждую рамку именем.
• признать_video.py : В нашем разделе Bonus описывается, как распознать, кто находится в кадре видеопотока, как это было в шаге № 3 для статических изображений.

Приступим к первому шагу!

Шаг № 1: Извлечь вложения из набора данных лиц

Теперь, когда мы понимаем, как работает распознавание лиц, и изучили структуру нашего проекта, давайте приступим к созданию конвейера распознавания лиц OpenCV.

Откройте файл extract_embeddings.py и вставьте следующий код:

 # импортируем необходимые пакеты
из путей импорта imutils
импортировать numpy как np
import argparse
импорт imutils
импортный рассол
импорт cv2
импорт ОС

# создать парсер аргументов и проанализировать аргументы
ap = argparse.ArgumentParser ()
ap.add_argument ("- i", "--dataset", required = True,
help = "путь к каталогу ввода лиц + изображений")
ap.add_argument ("- e", "--embeddings", required = True,
help = "путь для вывода сериализованных db изображений лица")
ap.add_argument ("- d", "--detector", required = True,
help = "путь к детектору лиц глубокого обучения OpenCV")
ap.add_argument ("- m", "--embedding-model", required = True,
help = "путь к модели встраивания лиц глубокого обучения OpenCV")
ap.add_argument ("- c", "--confidence", type = float, по умолчанию = 0.5,
help = "минимальная вероятность отфильтровать слабые обнаружения")
args = vars (ap.parse_args ())
 

Мы импортируем необходимые пакеты по линиям 2-8 . Вам потребуется установить OpenCV и imutils . Чтобы установить OpenCV, просто следуйте одному из моих руководств (я рекомендую OpenCV 3.4.2, поэтому обязательно загрузите правильную версию, пока будете следовать инструкциям). Мой пакет imutils можно установить с помощью pip:

 $ pip install - обновить imutils
 

Затем мы обрабатываем аргументы нашей командной строки:

• --dataset : путь к нашему входному набору данных изображений лиц.
• --embeddings : Путь к нашему выходному файлу вложений. Наш скрипт вычислит вложения лиц, которые мы сериализуем на диск.
• --detector : путь к детектору лиц с глубоким обучением OpenCV, основанному на Caffe, который используется для локализации лиц на изображениях.
• --embedding-model : путь к модели встраивания Torch с глубоким обучением OpenCV. Эта модель позволит нам извлечь 128-мерный вектор вложения лица.
• --confidence : Дополнительный порог для фильтрации обнаружения лица за неделю.

Теперь, когда мы импортировали наши пакеты и проанализировали аргументы командной строки, давайте загрузим детектор лиц и программу для внедрения с диска:

 # загрузить наш сериализованный детектор лиц с диска
print ("[ИНФОРМАЦИЯ] загрузка детектора лиц ...")
protoPath = os.path.sep.join ([args ["детектор"], "deploy.prototxt"])
modelPath = os.path.sep.join ([args ["детектор"],
"res10_300x300_ssd_iter_140000.caffemodel"])
детектор = cv2.dnn.readNetFromCaffe (protoPath, modelPath)

# загружаем нашу сериализованную модель встраивания лица с диска
print ("[ИНФОРМАЦИЯ] загрузка распознавателя лиц ...")
embedder = cv2.dnn.readNetFromTorch (args ["модель_встраивания"])
 

Здесь загружаем детектор лиц и эмбеддер:

• Детектор : загружается через линии 26-29 . Мы используем детектор лиц DL на базе Caffe для локализации лиц на изображении.
• embedder : загружено на строке 33 .Эта модель основана на Torch и отвечает за извлечение встраиваемых изображений лица посредством извлечения функций глубокого обучения.

Обратите внимание, что мы используем соответствующие функции cv2.dnn для загрузки двух отдельных моделей. Модуль dnn не был доступен до OpenCV 3.3, но я рекомендую вам использовать OpenCV 3.4.2 или выше для этого сообщения в блоге.

Двигаясь вперед, давайте возьмем пути к нашим изображениям и выполним инициализацию:

 # захватываем пути к входным изображениям в нашем наборе данных
print ("[ИНФОРМАЦИЯ] количественная оценка лиц... ")
imagePaths = list (paths.list_images (args ["набор данных"]))

# инициализируем наши списки извлеченных эмбеддингов лиц и
# соответствующих имен людей
knownEmbeddings = []
knownNames = []

# инициализируем общее количество обработанных лиц
всего = 0
 

Список imagePaths , построенный на строке 37 , содержит путь к каждому изображению в наборе данных. Я упростил это с помощью функции imutils , paths.list_images .

Наши вложения и соответствующие имена будут храниться в двух списках: известных вложений и известных имен ( строки 41 и 42, ).

Мы также будем отслеживать количество обработанных лиц с помощью переменной с именем всего ( строка 45 ).

Давайте начнем цикл по путям изображения — этот цикл будет отвечать за извлечение вложений из лиц, найденных на каждом изображении:

 # цикл по путям изображения
для (i, imagePath) в перечислении (imagePaths):
# извлекаем имя человека из пути к изображению
print ("[INFO] обработка изображения {} / {}". format (i + 1,
len (imagePaths)))
имя = путь к изображению.split (os.path.sep) [- 2]

# загружаем изображение, изменяем его размер до ширины 600 пикселей (пока
# сохраняя соотношение сторон), а затем возьмите изображение
# Габаритные размеры
изображение = cv2.imread (imagePath)
image = imutils.resize (изображение, ширина = 600)
(h, w) = image.shape [: 2]
 

Мы начинаем перебирать imagePaths на Line 48 .

Сначала мы извлекаем имя человека из пути (, строка 52, ). Чтобы объяснить, как это работает, рассмотрим следующий пример в моей оболочке Python:

 $ питон
>>> из путей импорта imutils
>>> import os
>>> imagePaths = list (paths.list_images ("набор данных"))
>>> imagePath = imagePaths [0]
>>> imagePath
'dataset / adrian / 00004.jpg'
>>> imagePath.split (os.path.sep)
['набор данных', 'Адриан', '00004.jpg']
>>> imagePath.split (os.path.sep) [- 2]
'Адриан'
>>>
 

Обратите внимание, как, используя imagePath.split и предоставляя разделительный символ (разделитель путей ОС — «/» в unix и «\» в Windows), функция создает список имен папок / файлов (строк), которые идут вниз дерево каталогов.Мы берем предпоследний индекс, лица зовут , в данном случае это «адриан» .

Наконец, мы завершаем приведенный выше блок кода, загружая изображение и изменяем размер до известной ширины ( строки 57 и 58, ).

Обнаружим и локализуем лица:

 # построить каплю из изображения
imageBlob = cv2.dnn.blobFromImage (
cv2.resize (изображение, (300, 300)), 1.0, (300, 300),
(104,0, 177,0, 123.0), swapRB = False, crop = False)

# применить детектор лиц на основе глубокого обучения OpenCV для локализации
# лица на входном изображении
Detector.setInput (imageBlob)
обнаружения = детектор.forward ()
 

На строках 62-64 мы создаем blob. Чтобы узнать больше об этом процессе, прочтите Глубокое обучение: как работает blobFromImage в OpenCV .

Отсюда мы обнаруживаем лица на изображении, пропуская imageBlob через детектор сети ( строки 68 и 69, ).

Давайте обработаем обнаружений :

 # убедитесь, что было найдено хотя бы одно лицо
если len (обнаружений)> 0:
# мы предполагаем, что каждое изображение имеет только ОДИН
# лицо, поэтому найдите ограничивающую рамку с наибольшей вероятностью
i = np.argmax (обнаружения [0, 0,:, 2])
уверенность = обнаружения [0, 0, i, 2]

# убедитесь, что обнаружение с наибольшей вероятностью также
# означает наш минимальный вероятностный тест (помогающий отфильтровать
# слабое обнаружение)
если уверенность> args ["уверенность"]:
# вычислить (x, y) -координаты ограничивающего прямоугольника для
# лицо
коробка = обнаружения [0, 0, i, 3: 7] * np.массив ([ш, в, ш, в])
(startX, startY, endX, endY) = box.astype ("int")

# извлекаем ROI лица и получаем размеры ROI
лицо = изображение [начало: конецY, началоX: конецX]
(fH, fW) = face.shape [: 2]

# убедитесь, что ширина и высота лица достаточно большие
если fW <20 или fH <20:
Продолжить
 

Список обнаружений содержит вероятности и координаты для локализации лиц на изображении.

Предполагая, что у нас есть хотя бы одно обнаружение, мы перейдем к телу оператора if (, строка 72, ).

Мы предполагаем, что на изображении присутствует только одно лицо , поэтому мы извлекаем обнаружение с наивысшей степенью достоверности и проверяем, соответствует ли достоверность минимальному порогу вероятности, используемому для фильтрации слабых обнаружений ( строк 75-81 ).

Предполагая, что мы достигли этого порога, мы извлекаем рентабельность инвестиций для лица и захватываем / проверяем размеры, чтобы убедиться, что рентабельность инвестиций для лица достаточно велика ( строки 84-93 ).

Оттуда мы воспользуемся нашим встроенным устройством CNN и извлечем вложения лиц:

 # построить каплю для области интереса лица, затем передать каплю
# через нашу модель вложения лиц, чтобы получить 128-дневный
# количественная оценка лица
faceBlob = cv2.dnn.blobFromImage (лицо, 1.0 / 255,
(96, 96), (0, 0, 0), swapRB = True, crop = False)
embedder.setInput (faceBlob)
vec = embedder.forward ()

# добавляем имя человека + соответствующее лицо
# встраивание в соответствующие списки
известные имена.добавить (имя)
knownEmbeddings.append (vec.flatten ())
всего + = 1
 

Мы создаем еще один blob, на этот раз из области интереса к лицу (а не всего изображения, как мы делали раньше) на строках 98 и 99 .

Затем мы пропускаем faceBlob через модуль внедрения CNN ( строки 100 и 101, ). Это генерирует 128-D вектор ( vec ), который описывает лицо. Мы будем использовать эти данные, чтобы распознавать новые лица с помощью машинного обучения.

А затем мы просто добавляем имя и встраиваем vec в известных имен и knownEmbeddings соответственно ( строки 105 и 106 ).

Мы также не можем забыть о переменной, которую мы установили для отслеживания общего числа граней - мы продолжаем и увеличиваем значение в строке 107 .

Мы продолжаем этот процесс перебора изображений, обнаружения лиц и извлечения вложений лиц для каждого изображения в нашем наборе данных.

Все, что остается, когда цикл завершается, - это выгрузить данные на диск:

 # дамп лицевых эмбеддингов + имен на диск
print ("[ИНФОРМАЦИЯ] сериализация {} кодировок... ". формат (всего))
data = {"вложения": knownEmbeddings, "names": knownNames}
f = open (args ["вложения"], "wb")
f.write (pickle.dumps (данные))
f.close ()
 

Мы добавляем имя и встраиваемые данные в словарь, а затем сериализуем данные в файле pickle в строках 110-114 .

На этом этапе мы готовы извлечь вложения, запустив наш скрипт.

Чтобы следовать этому руководству по распознаванию лиц, используйте раздел «Загрузки» сообщения, чтобы загрузить исходный код, модели OpenCV и пример набора данных для распознавания лиц.

Оттуда откройте терминал и выполните следующую команду, чтобы вычислить вложения лица с помощью OpenCV:

 $ python extract_embeddings.py --dataset набор данных \
--embeddings output / embeddings.pickle \
--detector face_detection_model \
--embedding-модель openface_nn4.small2.v1.t7
[ИНФОРМАЦИЯ] загрузка детектора лиц ...
[ИНФОРМАЦИЯ] загрузка распознавателя лиц ...
[ИНФОРМАЦИЯ] количественная оценка лиц ...
[INFO] обработка изображения 1/18
[INFO] обработка изображения 2/18
[INFO] обработка изображения 3/18
[INFO] обработка изображения 4/18
[INFO] обработка изображения 5/18
[INFO] обработка изображения 6/18
[INFO] обработка изображения 7/18
[INFO] обработка изображения 8/18
[INFO] обработка изображения 9/18
[INFO] обработка изображения 10/18
[INFO] обработка изображения 11/18
[INFO] обработка изображения 12/18
[INFO] обработка изображения 13/18
[INFO] обработка изображения 14/18
[INFO] обработка изображения 15/18
[INFO] обработка изображения 16/18
[INFO] обработка изображения 17/18
[INFO] обработка изображения 18/18
[INFO] сериализация 18 кодировок...
 

Здесь вы можете видеть, что мы извлекли 18 встраиваний лиц, по одному для каждого изображения (6 на класс) в нашем входном наборе данных лиц.

Шаг № 2: Обучите модель распознавания лиц

На этом этапе мы извлекли 128-мерные вложения для каждого лица - , но как мы на самом деле узнаем человека на основе этих встраиваний? Ответ заключается в том, что нам нужно обучить «стандартную» модель машинного обучения (такую ​​как SVM, классификатор k-NN, случайный лес и т. Д.) Поверх встраиваний.

В моем предыдущем руководстве по распознаванию лиц мы узнали, как модифицированную версию k-NN можно использовать для распознавания лиц на 128-мерных вложениях, созданных с помощью библиотек dlib и face_recognition.

Сегодня я хочу поделиться тем, как мы можем создать более мощный классификатор на основе встраиваемых материалов - вы сможете использовать этот же метод в своих конвейерах распознавания лиц на основе dlib, если вам так хочется.

Откройте файл train_model.py и вставьте следующий код:

 # импортируем необходимые пакеты
из склеарна.предварительная обработка импорта LabelEncoder
из sklearn.svm импортировать SVC
import argparse
импортный рассол

# создать парсер аргументов и проанализировать аргументы
ap = argparse.ArgumentParser ()
ap.add_argument ("- e", "--embeddings", required = True,
help = "путь к сериализованной базе данных вложения лиц")
ap.add_argument ("- r", "--recognizer", required = True,
help = "путь к выходной модели, обученной распознавать лица")
ap.add_argument ("- l", "--le", required = True,
help = "путь к кодировщику выходной метки")
args = vars (ap.parse_args ())
 

Нам потребуется scikit-learn, библиотека машинного обучения, установленная в нашей среде перед запуском этого скрипта.Вы можете установить его через pip:

 $ pip установить scikit-learn
 

Мы импортируем наши пакеты и модули на строк 2-5 . Мы будем использовать реализацию опорных векторных машин (SVM) scikit-learn, распространенной модели машинного обучения.

Оттуда мы анализируем аргументы командной строки:

• --embeddings : путь к сериализованным вложениям (мы экспортировали его, выполнив предыдущий сценарий extract_embeddings.py ).
• --recognizer : это будет наша выходная модель, в которой распознает лиц.Он основан на SVM. Мы сохраним его, чтобы использовать в следующих двух скриптах распознавания.
• --le : Путь к выходному файлу кодировщика этикеток. Мы сериализуем наш кодировщик этикеток на диск, чтобы мы могли использовать его и модель распознавателя в наших сценариях распознавания лиц изображений / видео.

Каждый из этих аргументов - требуется .

Давайте загрузим наши лицевые вложения и закодируем наши метки:

 # загрузить вложения лица
print ("[ИНФОРМАЦИЯ] загружает вложения лиц... ")
data = pickle.loads (open (args ["вложения"], "rb"). read ())

# закодировать метки
print ("[ИНФОРМАЦИЯ] метки кодировки ...")
le = LabelEncoder ()
label = le.fit_transform (данные ["имена"])
 

Здесь мы загружаем наши вложения из Step # 1 на Line 19 . Мы не будем создавать вложения в этом сценарии обучения модели - мы будем использовать ранее созданные и сериализованные вложения.

Затем мы инициализируем наш scikit-learn LabelEncoder и кодируем наше имя , метки ( строки 23 и 24, ).

Пришло время обучить нашу модель SVM распознаванию лиц:

 # обучить модель, используемую для принятия 128-мерных вложений лица и
# затем произвести фактическое распознавание лиц
print ("[ИНФОРМАЦИЯ] обучающая модель ...")
распознаватель = SVC (C = 1.0, ядро ​​= "linear", вероятность = True)
распознаватель.fit (данные ["вложения"], метки)
 

На Строке 29, мы инициализируем нашу модель SVM, а на Строке 30, мы подгоняем модель (также известную как «обучение модели»).

Здесь мы используем машину линейных опорных векторов (SVM), но вы можете попробовать поэкспериментировать с другими моделями машинного обучения, если хотите.

После обучения модели мы выводим модель и кодирующее устройство меток на диск в виде файлов pickle.

 # записываем актуальную модель распознавания лиц на диск
f = open (args ["распознаватель"], "wb")
f.write (pickle.dumps (распознаватель))
f.close ()

# записываем кодировщик этикеток на диск
f = open (args ["le"], "wb")
f.write (pickle.dumps (le))
f.close ()
 

В этом блоке мы записываем на диск два файла pickle - распознаватель лиц модели и кодировщик этикеток .

На этом этапе убедитесь, что вы сначала выполнили код из Step # 1 . Вы можете получить почтовый индекс, содержащий код и данные из раздела «Загрузки» .

Теперь, когда мы закончили кодирование train_model.py , давайте применим его к нашим извлеченным вложениям лица:

 $ python train_model.py - вывод эмбеддингов / embeddings.pickle \
- вывод распознавателя / распознаватель.pickle \
--le вывод / le.pickle
[ИНФОРМАЦИЯ] загрузка эмбеддингов лиц...
[ИНФОРМАЦИЯ] метки кодировки ...
[ИНФОРМАЦИЯ] обучающая модель ...
$ ls output /
embeddings.pickle le.pickle распознаватель.pickle
 

Здесь вы можете видеть, что наша SVM обучена встраиванию, и как (1) сама SVM, так и (2) кодировка метки были записаны на диск, что позволяет нам применять их к входным изображениям и видео.

Шаг № 3: Распознать лица с OpenCV

Теперь мы готовы выполнять распознавание лиц с помощью OpenCV!

В этом разделе мы начнем с распознавания лиц на изображениях, а затем перейдем к распознаванию лиц в видеопотоках в следующем разделе.

Откройте в своем проекте файл identify.py и вставьте следующий код:

 # импортируем необходимые пакеты
импортировать numpy как np
import argparse
импорт imutils
импортный рассол
импорт cv2
импорт ОС

# создать парсер аргументов и проанализировать аргументы
ap = argparse.ArgumentParser ()
ap.add_argument ("- i", "--image", required = True,
help = "путь к входному изображению")
ap.add_argument ("- d", "--detector", required = True,
help = "путь к детектору лиц глубокого обучения OpenCV")
ap.add_argument ("- m", "--embedding-model", required = True,
help = "путь к модели встраивания лиц глубокого обучения OpenCV")
ap.add_argument ("- r", "--recognizer", required = True,
help = "путь к модели, обученной распознавать лица")
ap.add_argument ("- l", "--le", required = True,
help = "путь к кодировщику меток")
ap.add_argument ("- c", "--confidence", type = float, по умолчанию = 0,5,
help = "минимальная вероятность отфильтровать слабые обнаружения")
args = vars (ap.parse_args ())
 

Мы, , импортируем наших необходимых пакетов на строках 2-7 .На этом этапе у вас должен быть установлен каждый из этих пакетов.

Наши шесть аргументов командной строки анализируются в строках 10-23 :

• --image : путь к входному изображению. Мы попытаемся распознать лица на этом изображении.
• --detector : путь к детектору лиц с глубоким обучением OpenCV. Мы будем использовать эту модель, чтобы обнаружить , где на изображении находятся области интереса лица.
• --embedding-model : путь к модели встраивания лиц глубокого обучения OpenCV.Мы будем использовать эту модель для извлечения 128-D вложения лица из области интереса лица - мы введем данные в распознаватель.
• --recognizer : Путь к нашей модели распознавателя. Мы обучили наш распознаватель SVM в Step # 2 . Это то, что на самом деле будет определять, кто такое лицо.
• --le : Путь к нашему кодировщику этикеток. Он содержит наши лицевые метки, такие как 'adrian' или 'trisha' .
• --confidence : необязательный порог для фильтрации обнаружения слабых лиц .

Обязательно изучите эти аргументы командной строки - важно знать разницу между двумя моделями глубокого обучения и моделью SVM. Если вы позже запутаетесь в этом сценарии, вам следует вернуться сюда.

Теперь, когда мы обработали наш импорт и аргументы командной строки, давайте загрузим три модели с диска в память:

 # загружаем наш сериализованный детектор лиц с диска
print ("[ИНФОРМАЦИЯ] загрузка детектора лиц ...")
protoPath = os.path.sep.присоединиться ([args ["детектор"], "deploy.prototxt"])
modelPath = os.path.sep.join ([args ["детектор"],
"res10_300x300_ssd_iter_140000.caffemodel"])
детектор = cv2.dnn.readNetFromCaffe (protoPath, modelPath)

# загружаем нашу сериализованную модель встраивания лица с диска
print ("[ИНФОРМАЦИЯ] загрузка распознавателя лиц ...")
embedder = cv2.dnn.readNetFromTorch (args ["модель_встраивания"])

# загружаем реальную модель распознавания лиц вместе с кодировщиком этикеток
распознаватель = pickle.loads (open (args ["распознаватель"], "rb"). read ())
le = рассол.загружает (open (args ["le"], "rb"). read ())
 

В этот блок загружаем три модели. Рискуя оказаться лишним, я хочу прямо напомнить вам о различиях между моделями:

1. Детектор : Модель , предварительно обученная Caffe DL, для определения , где на изображении находятся лица. ( линии 27-30 ).
2. embedder : предварительно обученная модель Torch DL для расчета наших 128-D граней встраивания ( Line 34 ).
3. Распознаватель : Наша модель распознавания лиц Linear SVM ( Line 37 ). Мы обучили эту модель в Step 2 .

И 1, и 2 являются предварительно обученными , что означает, что они предоставляются вам как есть OpenCV. Они похоронены в проекте OpenCV на GitHub, но я включил их для вашего удобства в раздел «Загрузки» сегодняшнего сообщения. Я также пронумеровал модели в том порядке, в котором мы будем применять их для распознавания лиц с помощью OpenCV.

Мы также загружаем наш кодировщик этикеток, который содержит имена людей, которых может узнать наша модель (, строка 38, ).

Теперь загрузим наше изображение и определим лиц:

 # загружаем изображение, изменяем его размер до ширины 600 пикселей (в то время как
# сохраняя соотношение сторон), а затем возьмите размеры изображения
image = cv2.imread (args ["изображение"])
image = imutils.resize (изображение, ширина = 600)
(h, w) = image.shape [: 2]

# построить каплю из изображения
imageBlob = cv2.dnn.blobFromImage (
cv2.resize (изображение, (300, 300)), 1.0, (300, 300),
(104.0, 177.0, 123.0), swapRB = False, crop = False)

# применить детектор лиц на основе глубокого обучения OpenCV для локализации
# лица на входном изображении
Detector.setInput (imageBlob)
обнаружения = детектор.forward ()
 

Здесь мы:

• Загрузите изображение в память и создайте большой двоичный объект (, строки 42-49, ). Узнайте о cv2.dnn.blobFromImage здесь.
• Локализуйте лица на изображении с помощью нашего детектора ( строки 53 и 54 ).

С учетом наших новых обнаружений , давайте распознаем лица на изображении. Но сначала нам нужно отфильтровать слабые обнаружения и извлечь лицо ROI:

 # перебрать обнаружение
для i в диапазоне (0, Detections.shape [2]):
# извлекаем уверенность (т.е. вероятность), связанную с
# прогноз
уверенность = обнаружения [0, 0, i, 2]

# отфильтровать слабые обнаружения
если уверенность> args ["уверенность"]:
# вычислить (x, y) -координаты ограничивающей рамки для
# лицо
коробка = обнаружения [0, 0, i, 3: 7] * np.массив ([ш, в, ш, в])
(startX, startY, endX, endY) = box.astype ("int")

# извлекаем ROI лица
лицо = изображение [начало: конецY, началоX: конецX]
(fH, fW) = face.shape [: 2]

# убедитесь, что ширина и высота лица достаточно большие
если fW <20 или fH <20:
Продолжить
 

Вы узнаете этот блок из Step # 1 . Я объясню это еще раз:

• Мы перебираем обнаружений в строке 57, и извлекаем достоверность каждого из них в строке 60 .
• Затем мы сравниваем доверительную вероятность с минимальным порогом обнаружения вероятности, содержащимся в нашем словаре командной строки args , гарантируя, что вычисленная вероятность больше минимальной вероятности ( строка 63 ).
• Оттуда мы извлекаем лицо ROI ( строки 66-70 ), а также проверяем его пространственные размеры ( строки 74 и 75, ).

Распознавание имени лица ROI требует всего нескольких шагов:

 # создать каплю для области интереса к лицу, затем передать каплю
# через нашу модель вложения лиц, чтобы получить 128-дневный
# количественная оценка лица
faceBlob = cv2.dnn.blobFromImage (лицо, 1.0 / 255, (96, 96),
(0, 0, 0), swapRB = True, crop = False)
embedder.setInput (faceBlob)
vec = embedder.forward ()

# выполнить классификацию для распознавания лица
preds = распознаватель.predict_proba (vec) [0]
j = np.argmax (пред.)
proba = preds [j]
name = le.classes_ [j]
 

Сначала мы конструируем объект faceBlob (из области интереса face ) и пропускаем его через устройство для внедрения , чтобы сгенерировать 128-D вектор, который описывает лицо ( строки 80-83, )

Затем мы пропускаем vec через нашу модель распознавателя SVM ( Line 86 ), результатом чего являются наши прогнозы для , который находится в лицевой области ROI.

Мы берем индекс максимальной вероятности (, строка 87, ) и запрашиваем наш кодировщик меток, чтобы найти имя ( строка 89 ). Между тем, я извлекаю вероятность по , Строка 88, .

Примечание: Вы можете дополнительно отфильтровать слабые распознавания лиц, применив дополнительный пороговый тест на вероятность. Например, вставка , если вероятность (где T - это переменная, которую вы определяете), может обеспечить дополнительный уровень фильтрации, чтобы гарантировать меньшее количество ложноположительных распознаваний лиц.

Теперь давайте отобразим результаты распознавания лиц OpenCV:

 # рисуем ограничивающую рамку лица вместе с соответствующим
# вероятность
text = "{}: {: .2f}%". format (имя, вероятность * 100)
y = startY - 10, если startY - 10> 10, иначе startY + 10
cv2.rectangle (изображение, (startX, startY), (endX, endY),
(0, 0, 255), 2)
cv2.putText (изображение, текст, (startX, y),
cv2.FONT_HERSHEY_SIMPLEX, 0.45, (0, 0, 255), 2)

# показать выходное изображение
cv2.imshow ("Изображение", изображение)
cv2.waitKey (0)
 

На каждое лицо, которое мы узнаем в цикле (включая «неизвестных») людей:

• Мы создаем строку text , содержащую имя и вероятность на строке 93 .
• Затем мы рисуем прямоугольник вокруг лица и помещаем текст над рамкой (, строки 94-98, ).

И, наконец, мы визуализируем результаты на экране, пока не будет нажата клавиша ( строки 101 и 102, ).

Пора распознавать лица на изображениях с помощью OpenCV!

Чтобы применить наш конвейер распознавания лиц OpenCV к предоставленным мной изображениям (или вашему собственному набору данных + тестовым изображениям), убедитесь, что вы используете раздел «Загрузки» сообщения в блоге, чтобы загрузить код, обученные модели и примеры изображений. .

Оттуда откройте терминал и выполните следующую команду:

 $ python распознавать.py --detector face_detection_model \
--embedding-model openface_nn4.small2.v1.t7 \
- вывод распознавателя / распознаватель.pickle \
--le вывод / le.pickle \
--image images / adrian.jpg
[ИНФОРМАЦИЯ] загрузка детектора лиц ...
[ИНФОРМАЦИЯ] загрузка распознавателя лиц ...
 

 $ python распознавать.py --detector face_detection_model \
--embedding-model openface_nn4.small2.v1.t7 \
- вывод распознавателя / распознаватель.соленый огурец \
--le вывод / le.pickle \
--image images / trisha_adrian.jpg
[ИНФОРМАЦИЯ] загрузка детектора лиц ...
[ИНФОРМАЦИЯ] загрузка распознавателя лиц ...
 

 $ python распознавать.py --detector face_detection_model \
- встраиваемая модель openface_nn4.small2.v1.t7 \
- вывод распознавателя / распознаватель.pickle \
--le вывод / le.pickle \
--image images / patrick_bateman.jpg
[ИНФОРМАЦИЯ] загрузка детектора лиц ...
[ИНФОРМАЦИЯ] загрузка распознавателя лиц ...
 

 # импортируем необходимые пакеты
из imutils.video импорт VideoStream
из imutils.video импорт FPS
импортировать numpy как np
import argparse
импорт imutils
импортный рассол
время импорта
импорт cv2
импорт ОС

# создать парсер аргументов и проанализировать аргументы
ap = argparse.ArgumentParser ()
ap.add_argument ("- d", "--detector", required = True,
help = "путь к детектору лиц глубокого обучения OpenCV")
ap.add_argument ("- m", "--embedding-model", required = True,
help = "путь к модели встраивания лиц глубокого обучения OpenCV")
ap.add_argument ("- r", "--recognizer", required = True,
help = "путь к модели, обученной распознавать лица")
ap.add_argument ("- l", "--le", required = True,
help = "путь к кодировщику меток")
ap.add_argument ("- c", "--confidence", type = float, по умолчанию = 0,5,
help = "минимальная вероятность отфильтровать слабые обнаружения")
args = vars (ap.parse_args ())
 

 # загрузить наш сериализованный детектор лиц с диска
print ("[ИНФОРМАЦИЯ] загружает детектор лиц... ")
protoPath = os.path.sep.join ([args ["детектор"], "deploy.prototxt"])
modelPath = os.path.sep.join ([args ["детектор"],
"res10_300x300_ssd_iter_140000.caffemodel"])
детектор = cv2.dnn.readNetFromCaffe (protoPath, modelPath)

# загружаем нашу сериализованную модель встраивания лица с диска
print ("[ИНФОРМАЦИЯ] загрузка распознавателя лиц ...")
embedder = cv2.dnn.readNetFromTorch (args ["модель_встраивания"])

# загружаем реальную модель распознавания лиц вместе с кодировщиком этикеток
распознаватель = pickle.loads (open (args ["распознаватель"], "rb").читать())
le = pickle.loads (open (args ["le"], "rb"). read ())
 

 # инициализировать видеопоток, затем дать сенсору камеры прогреться
print ("[INFO] запускает видеопоток... ")
vs = VideoStream (src = 0) .start ()
time.sleep (2.0)

# запускаем оценку пропускной способности FPS
fps = FPS (). start ()

# перебирать кадры из потока видеофайлов
в то время как True:
# взять кадр из потокового видеопотока
frame = vs.read ()

# изменить размер кадра, чтобы он имел ширину 600 пикселей (в то время как
# сохраняя соотношение сторон), а затем возьмите изображение
# Габаритные размеры
frame = imutils.resize (рамка, ширина = 600)
(h, w) = frame.shape [: 2]

# построить каплю из изображения
imageBlob = cv2.dnn.blobFromImage (
cv2.изменить размер (кадр, (300, 300)), 1.0, (300, 300),
(104.0, 177.0, 123.0), swapRB = False, crop = False)

# применить детектор лиц на основе глубокого обучения OpenCV для локализации
# лица на входном изображении
Detector.setInput (imageBlob)
обнаружения = детектор.forward ()
 

 # перебрать детекции
для i в диапазоне (0, Detections.shape [2]):
# извлекаем уверенность (т.е. вероятность), связанную с
# предсказание
уверенность = обнаружения [0, 0, i, 2]

# отфильтровать слабые обнаружения
если уверенность> args ["уверенность"]:
# вычислить (x, y) -координаты ограничивающего прямоугольника для
# лицо
коробка = обнаружения [0, 0, i, 3: 7] * np.массив ([ш, в, ш, в])
(startX, startY, endX, endY) = box.astype ("int")

# извлекаем ROI лица
face = frame [начало: конецY, началоX: конецX]
(fH, fW) = face.shape [: 2]

# убедитесь, что ширина и высота лица достаточно большие
если fW <20 или fH <20:
Продолжить
 

Как и в предыдущем разделе, мы начинаем перебирать обнаружений и отфильтровывать слабые ( строки 71-77, ). Затем мы извлекаем область интереса для лица , а также проверяем, достаточно ли пространственные размеры для следующих шагов ( строки 84-89, ).

Пришло время выполнить распознавание лиц OpenCV:

 # создайте blob для области интереса лица, затем передайте blob
# через нашу модель вложения лиц, чтобы получить 128-дневный
# количественная оценка лица
faceBlob = cv2.dnn.blobFromImage (лицо, 1.0 / 255,
(96, 96), (0, 0, 0), swapRB = True, crop = False)
embedder.setInput (faceBlob)
vec = embedder.forward ()

# выполнить классификацию для распознавания лица
preds = распознаватель.predict_proba (vec) [0]
j = np.argmax (пред.)
proba = preds [j]
name = le.классы_ [j]

# рисуем ограничивающую рамку лица вместе с
# связанная вероятность
text = "{}: {: .2f}%". format (имя, вероятность * 100)
y = startY - 10, если startY - 10> 10, иначе startY + 10
cv2.rectangle (frame, (startX, startY), (endX, endY),
(0, 0, 255), 2)
cv2.putText (кадр, текст, (startX, y),
cv2.FONT_HERSHEY_SIMPLEX, 0.45, (0, 0, 255), 2)

# обновить счетчик FPS
fps.update ()
 

Здесь мы:

• Создайте faceBlob ( строки 94 и 95, ) и вычислите вложения лиц с помощью глубокого обучения ( строки 96 и 97, ).
• Распознайте наиболее вероятное имя лица при вычислении вероятности ( Строка 100-103 ).
• Нарисуйте ограничительную рамку вокруг лица и имени человека + вероятность ( строки 107–112 ).

Наш счетчик кадров в секунду и обновлен в строке , строка 115, .

Давайте отобразим результаты и очистим:

 # показать выходной кадр
cv2.imshow ("Фрейм", фрейм)
ключ = cv2.waitKey (1) & 0xFF

# если была нажата клавиша `q`, выйти из цикла
если ключ == ord ("q"):
сломать

# остановить таймер и отобразить информацию о FPS
кадров в секунду.стоп()
print ("[ИНФОРМАЦИЯ] истекшее время: {: .2f}". format (fps.elapsed ()))
print ("[ИНФОРМАЦИЯ] прибл. FPS: {: .2f}". format (fps.fps ()))

# немного почистить
cv2.destroyAllWindows ()
против остановки ()
 

Чтобы закрыть сценарий, мы:

• Отобразите аннотированный кадр (, строка 118, ) и дождитесь нажатия клавиши «q», после чего мы выйдем из цикла ( строки 119-123 ).
• Остановите наш счетчик кадров в секунду и распечатайте статистику в терминале ( строки 126-128, ).
• Очистка путем закрытия окон и освобождения указателей (, строки 131 и 132, ).

Чтобы запустить конвейер распознавания лиц OpenCV в видеопотоке, откройте терминал и выполните следующую команду:

 $ python распознавать_video.py --detector face_detection_model \
--embedding-model openface_nn4.small2.v1.t7 \
- вывод распознавателя / распознаватель.pickle \
--le вывод / le.pickle
[ИНФОРМАЦИЯ] загрузка детектора лиц ...
[ИНФОРМАЦИЯ] загрузка распознавателя лиц ...
[INFO] запускает видеопоток...
[INFO] истекшее время: 12.52
[ИНФОРМАЦИЯ] прибл. Кадров в секунду: 16,13
 

Рисунок 7: Распознавание лиц в видео с OpenCV.

Как видите, и Триша, и мое лицо опознаны правильно! Наш конвейер распознавания лиц OpenCV также дает ~ 16 FPS на моем iMac. На моем MacBook Pro я получал скорость ~ 14 FPS.

Недостатки, ограничения и способы повышения точности распознавания лиц

 использование: extract_embeddings.py [-h] -i DATASET -e EMBEDDINGS
    -d ДЕТЕКТОР -m МОДЕЛЬ_ВРАЩЕНИЯ [-c УВЕРЕННОСТЬ]
extract_embeddings.py: error: необходимы следующие аргументы:
    -i / - набор данных, -e / - вложения, -d / - детектор, -m / - модель встраивания