1、效果展示

人脸识别：

考勤效果：

 

2、项目介绍

接下来，我们将学习如何以高精度执行面部识别，首先简要介绍理论并学习基本实现。然后我们将创建一个考勤项目，该项目将使用网络摄像头检测人脸并在 Excel 表中实时记录考勤情况。

3、项目基础理论

（1）项目包的搭建

在此之前，你应该看过此篇，完成了对项目包的搭建(37条消息) Python3.7最简便的方式解决下载dlib和face_recognition的问题_夏天是冰红茶的博客-CSDN博客

此外，我们还需要安装一个包，按照步骤来就好了：

pip install face_recognition_models

（2）文件搭建

按照图示配置，Attendance.csv文件当中的内容只有（Name，Time），在Attendance_images文件当中，你可以添加你想添加的图片，最好是单个人物的图片，且以他们的英文名命名图片。

（3）basic.py代码展示与讲解

import cv2import face_recognitionimgElon = face_recognition.load_image_file('ImagesBasic/Elon Musk.png')imgElon = cv2.cvtColor(imgElon, cv2.COLOR_BGR2RGB)imgTest = face_recognition.load_image_file('ImagesBasic/Elon test.png')imgTest = cv2.cvtColor(imgTest, cv2.COLOR_BGR2RGB)faceLoc = face_recognition.face_locations(imgElon)[0]encodeElon = face_recognition.face_encodings(imgElon)[0]cv2.rectangle(imgElon, (faceLoc[3], faceLoc[0]), (faceLoc[1], faceLoc[2]), (255, 0, 255), 2)faceLocTest = face_recognition.face_locations(imgTest)[0]encodeTest = face_recognition.face_encodings(imgTest)[0]cv2.rectangle(imgTest, (faceLocTest[3], faceLocTest[0]), (faceLocTest[1], faceLocTest[2]), (255, 0, 255), 2)results = face_recognition.compare_faces([encodeElon], encodeTest)faceDis = face_recognition.face_distance([encodeElon], encodeTest)print(results, faceDis)cv2.putText(imgTest, f'{results} {round(faceDis[0], 2)}', (50, 50), cv2.FONT_HERSHEY_COMPLEX, 1, (0, 0, 255), 2)cv2.imshow('Elon Musk', imgElon)cv2.imshow('Elon Test', imgTest)cv2.waitKey(0)

我们将会以马斯克先生的图片，作为标准测试，即'Elon Musk.png'。另外两张图片分别是比尔盖茨先生和马斯克先生。

今天的讲解会分为两部分，这是基础部分的讲解。

首先，导入这两张代码中的图片，我们用的是face_recognition中的load_image_file函数，它会将图像文件（.jpg、.png等）加载到numpy数组中，且默认的mode='RGB'格式，故在此有一步转化。其次，faceLoc接受face_locations（）函数返回的图像中人脸的边界框数组，请看注1，取第一个数，则会等到一个元组，我们要以按css（上、右、下、左）顺序找到的面位置的元组列表。encodeElon（）函数是返回128维人脸编码列表（图像中每个人脸一个），为什么是128维？请看注2。在这之后，又是画框操作，我相信如果看过我前期的文章的人肯定是太熟悉了，按照注3，将坐标输入。之后，compare_faces（）将面部编码列表与候选编码进行比较，以查看它们是否匹配，记住，只有第一个是列表，其将会返回真/假值列表；face_distance（）需要给定人脸编码列表，将其与已知人脸编码进行比较，并获得每个比较人脸的欧几里德距离。距离会告诉您这些面有多相似。再说一次，只有第一个是列表。前看注4。最后，放置图框的信息在合适的位置，展示图片。

注1：[(44, 306, 152, 199)]

注2：机器学习很有趣！第4部分：现代人脸识别与深度学习 - 金融科技排名 (fintechranking.com)，作者是Adam Geitgey 。

注3：坐标图

注4：[True] [0.4559636]

 （5）效果展示

 修改此处代码，我们初步实现了人脸识别。

imgTest = face_recognition.load_image_file('ImagesBasic/Bill Gates.png')imgTest = cv2.cvtColor(imgTest, cv2.COLOR_BGR2RGB)

 

4、项目的代码展示与讲解

import cv2import numpy as npimport face_recognitionimport osfrom datetime import datetime# from PIL import ImageGrabpath = 'Attendance_images'images = []classNames = []myList = os.listdir(path)print(myList)for cl in myList:    curImg = cv2.imread(f'{path}/{cl}')    images.append(curImg)    classNames.append(os.path.splitext(cl)[0])print(classNames)def findEncodings(images):    encodeList = []    for img in images:        img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)        encode = face_recognition.face_encodings(img)[0]        encodeList.append(encode)    return encodeListdef markAttendance(name):    with open('Attendance_lists.csv', 'r+') as f:        myDataList = f.readlines()        nameList = []        for line in myDataList:            entry = line.split(',')            nameList.append(entry[0])        if name not in nameList:            now = datetime.now()            dtString = now.strftime('%H:%M:%S')            f.writelines(f'\n{name},{dtString}')#### FOR CAPTURING SCREEN RATHER THAN WEBCAM# def captureScreen(bbox=(300,300,690+300,530+300)):#     capScr = np.array(ImageGrab.grab(bbox))#     capScr = cv2.cvtColor(capScr, cv2.COLOR_RGB2BGR)#     return capScrencodeListKnown = findEncodings(images)print('Encoding Complete')cap = cv2.VideoCapture(1)while True:    success, img = cap.read()    # img = captureScreen()    imgS = cv2.resize(img, (0, 0), None, 0.25, 0.25)    imgS = cv2.cvtColor(imgS, cv2.COLOR_BGR2RGB)    facesCurFrame = face_recognition.face_locations(imgS)    encodesCurFrame = face_recognition.face_encodings(imgS, facesCurFrame)    for encodeFace, faceLoc in zip(encodesCurFrame, facesCurFrame):        matches = face_recognition.compare_faces(encodeListKnown, encodeFace)        faceDis = face_recognition.face_distance(encodeListKnown, encodeFace)        # print(faceDis)        matchIndex = np.argmin(faceDis)        if matches[matchIndex]:            name = classNames[matchIndex].upper()            # print(name)            y1, x2, y2, x1 = faceLoc            y1, x2, y2, x1 = y1 * 4, x2 * 4, y2 * 4, x1 * 4            cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2)            cv2.rectangle(img, (x1, y2 - 35), (x2, y2), (0, 255, 0), cv2.FILLED)            cv2.putText(img, name, (x1 + 6, y2 - 6), cv2.FONT_HERSHEY_COMPLEX, 1, (255, 255, 255), 2)            markAttendance(name)    cv2.imshow('Webcam', img)    cv2.waitKey(1)

这里面的一些操作，在我之前的博客中有讲过，且前面也讲的很清楚了，所以我会略讲。

首先，读取Attendance_images文件当中图片的名字，注意它是带有.png，而我们的命名并不需要它，所以取了一个[0]。其次，编写findEncodings(）用于储存标准图像的编码，按照列表的形式。markAttendance()函数用于读取Attendance_lists.csv的文件信息，并写入Excel，其中还可写入时间。然后，剩余的一些，我相信参照上面的讲解应该没什么问题了。再说一下 y1, x2, y2, x1 = y1 * 4, x2 * 4, y2 * 4, x1 * 4，为什么要乘以4，还记得上面的resize吗，它并没有要求像素的改变，而是缩小的比例，正是0.25。

 

5、项目素材

Github：Opencv-project-training/Opencv project training/07 Face Recognition and Attendance System at main · Auorui/Opencv-project-training · GitHub

 

6、项目总结

今天的项目比起之前的物体检测还有一定的难度，对于我来说现在的效率实在不是很高，昨天的dlib和face_recognition包的下载实在没有弄好，临时换了个项目，今天也是弄了好久。

那么希望你在这个项目中玩的开心！！