人脸识别技术的应用 部署一个人脸识别系统
本次就使用paddleinference将paddlehub上的两个模型串联起来，并部署在cpu桌面平台上，搭建一个简单的人脸识别系统先展示一下效果因为不想露脸所以使用摄像头拍摄手机播放的视频来大概演示一下效果请自行忽略这个极简gui，准确说是没有gui测试平台为windows10，cpu为i5-6500可以看到效果还是不错的部署方案paddlehub本身其实包含一个可直接调用的预测端口，但是使用起来不够灵活所以本次使用的大概方案是：将两个模型导出为推理模型使用paddleinference重写预测端口，优化预测效率串联两个模型，实现人脸识别使用预测结果实现一些小功能导出推理模型对于人脸检测模型这类paddlehub的预置模型来讲，导出推理模型是非常简单的，通过直接调用模型的save_inference_model函数即可一键导出推理模型对于人脸验证模型这类经过finetune的模型来讲，导出推理模型需要先搭建配置模型，然后加载训练结束的模型参数，然后再调用save_inference_model函数即可导出推理模型in [ ]
# 安装新版paddlehub!pip install paddlehub==1.8.1in [ ]
# 人脸检测模型导出import paddlehub as hub# 加载模型face_detector = hub.module(name=pyramidbox_lite_mobile)# 导出推理模型face_detector.save_inference_model( dirname='inference/face_detection', model_filename='__model__', params_filename='__params__')in [ ]
# 人脸验证模型导出import paddlehub as hubfrom paddlehub.dataset.base_cv_dataset import basecvdataset# 新建临时train.txtwith open('data/train.txt', 'w', encoding='utf-8') as f: for x in range(100): f.write('test 0\\n')import paddlehub as hubfrom paddlehub.dataset.base_cv_dataset import basecvdataset# 自定义数据集class facedataset(basecvdataset): def __init__(self): # 数据集存放位置 self.dataset_dir = /home/aistudio/data/ super(facedataset, self).__init__( base_path=self.dataset_dir, train_list_file=train.txt, label_list=['0','1'] )dataset = facedataset()# 使用mobilenet_v3_large_imagenet_ssld预训练模型进行finetunemodule = hub.module(name=mobilenet_v3_large_imagenet_ssld)# 数据读取器data_reader = hub.reader.imageclassificationreader( image_width=module.get_expected_image_width(), image_height=module.get_expected_image_height(), images_mean=module.get_pretrained_images_mean(), images_std=module.get_pretrained_images_std(), dataset=dataset)# 优化器配置strategy = hub.adamweightdecaystrategy( learning_rate=1e-3, lr_scheduler=linear_decay, warmup_proportion=0.1, weight_decay=0.0001, optimizer_name=adam)# 总体配置config = hub.runconfig( use_cuda=false, num_epoch=10, checkpoint_dir=mobilenet_v3, batch_size=100, eval_interval=100, strategy=strategy)# 任务构建input_dict, output_dict, program = module.context(trainable=true)img = input_dict[image]feature_map = output_dict[feature_map]feed_list = [img.name]task = hub.imageclassifiertask( data_reader=data_reader, feed_list=feed_list, feature=feature_map, num_classes=dataset.num_labels, config=config)# 加载best_modeltask.init_if_load_best_model()# 导出推理模型task.save_inference_model( dirname='inference/face_verification', model_filename='__model__', params_filename='__params__')使用推理模型进行预测使用推理模型部署一般分为如下5步：读取数据数据预处理模型预测结果后处理结果展示上述模型预测阶段也分为5步：配置推理选项创建predictor准备模型输入模型推理获取模型输出下面就来演示一下如何使用刚刚导出的推理模型完成人脸的检测和验证代码上有详细的注释，更多更详细的使用方法请参考[paddleinference]in [1]
# 检测模型预测%matplotlib inlineimport cv2import numpy as npfrom pil import imagefrom matplotlib import pyplot as pltfrom paddle.fluid.core import analysisconfig, paddletensorfrom paddle.fluid.core import create_paddle_predictor# 数据预处理def pre_det(org_im, shrink): image = org_im.copy() image_height, image_width, image_channel = image.shape # 图像缩放 if shrink != 1: image_height, image_width = int(image_height * shrink), int( image_width * shrink) image = cv2.resize(image, (image_width, image_height), cv2.inter_nearest) # hwc to chw if len(image.shape) == 3: image = np.swapaxes(image, 1, 2) image = np.swapaxes(image, 1, 0) # 归一化 mean = [104., 117., 123.] scale = 0.007843 image = image.astype('float32') image -= np.array(mean)[:, np.newaxis, np.newaxis].astype('float32') image = image * scale image = np.expand_dims(image, axis=0).astype('float32') return image# 数据后处理# 输入原始图像，根据预测结果绘制人脸预测框，并裁剪人脸图像def post_det(img, output_datas): img_h, img_w = img.shape[:2] new_img = img.copy() crops = [] for data in output_datas: label, score, x1, y1, x2, y2 = data if score>0.8: x1, y1, x2, y2 = [int(_) for _ in [x1*img_w, y1*img_h, x2*img_w, y2*img_h]] crop = img[max(0, y1-50):min(y2+50,img_h),max(0, x1-50):min(x2+50,img_w),:] h, w = crop.shape[:2] crop = cv2.resize(crop, (200, int(h/w*200))) if w>h else cv2.resize(crop, (int(w/h*200), 200)) row_nums = 200-crop.shape[0] line_nums = 200-crop.shape[1] if row_nums%2 ==0: crop= np.pad(crop,((row_nums//2,row_nums//2),(0,0),(0,0)),'constant') else: crop= np.pad(crop,((row_nums//2,row_nums//2+1),(0,0),(0,0)),'constant') if line_nums%2 ==0: crop= np.pad(crop,((0,0),(line_nums//2,line_nums//2),(0,0)),'constant') else: crop= np.pad(crop,((0,0),(line_nums//2,line_nums//2+1),(0,0)),'constant') crops.append(crop) cv2.rectangle(new_img, (x1, y1), (x2, y2), (255, 0, 0), 2) return new_img, crops# 创建预测器def create_predictor(model_file, params_file): # 创建配置 config = analysisconfig(model_file, params_file) # 关闭gpu config.disable_gpu() # 开启mkldnn加速intel平台的cpu推理速度 config.enable_mkldnn() # 关闭log显示 config.disable_glog_info() # 开启ir优化 config.switch_ir_optim(true) # 使用feed和fetch的算子 config.switch_use_feed_fetch_ops(true) # 根据配置创建预测器 predictor = create_paddle_predictor(config) return predictor# 模型预测def predict_det(predictor, inputs): # 转换输入数据为paddletensor inputs = paddletensor(inputs.copy()) # 执行前向计算 result = predictor.run([inputs]) # 转换输出数据为ndarray output_data = result[0].as_ndarray() return output_data# 实例化检测模型预测器predictor = create_predictor('inference/face_detection/__model__', 'inference/face_detection/__params__')# 读取图片img = cv2.imread('img/test.jpg')# 原始图片展示plt.imshow(img[:,:,::-1])plt.show()# 图像预处理img1 = pre_det(img, 0.5)# 模型预测output_data = predict_det(predictor, img1)# 结果后处理img, crops = post_det(img, output_data)# 结果图片展示plt.imshow(img[:,:,::-1])plt.show()
in [3]
# 验证模型预测%matplotlib inlineimport cv2import numpy as npfrom pil import imagefrom matplotlib import pyplot as pltfrom paddle.fluid.core import analysisconfigfrom paddle.fluid.core import create_paddle_predictor# 图片拼接def concatenate(true_img, crop): new = np.concatenate([true_img,crop],1) return new# 数据预处理def pre_val(img): img = cv2.cvtcolor(img, cv2.color_bgr2rgb) img = image.fromarray(img) # 图像缩放 image = img.resize((224, 224), image.lanczos) # hwc to chw mean = np.array([0.485,0.456,0.406]).reshape(3, 1, 1) std = np.array([0.229,0.224,0.225]).reshape(3, 1, 1) image = np.array(image).astype('float32') if len(image.shape) == 3: image = np.swapaxes(image, 1, 2) image = np.swapaxes(image, 1, 0) # 归一化 image /= 255 image -= mean image /= std image = image[[0, 1, 2], :, :] image = np.expand_dims(image, axis=0).astype('float32') return image# 创建预测器def create_predictor(model_file, params_file): # 创建配置 config = analysisconfig(model_file, params_file) # 关闭gpu config.disable_gpu() # 开启mkldnn加速intel平台的cpu推理速度 config.enable_mkldnn() # 关闭log显示 config.disable_glog_info() # 开启ir优化 config.switch_ir_optim(true) # 不使用feed和fetch的算子 config.switch_use_feed_fetch_ops(false) # 根据配置创建预测器 predictor = create_paddle_predictor(config) return predictor# 模型预测def predict_val(predictor, inputs): # 获取输入向量名 input_names = predictor.get_input_names() # 根据输入向量名获取输入向量 input_tensor = predictor.get_input_tensor(input_names[0]) # 将输入数据拷贝进输入向量 input_tensor.copy_from_cpu(inputs) # 执行前向计算 predictor.zero_copy_run() # 获取输出向量名 output_names = predictor.get_output_names() # 根据输出向量名获取输出向量 output_tensor = predictor.get_output_tensor(output_names[0]) # 从输出向量中拷贝输出数据到输出变量上 output_data = output_tensor.copy_to_cpu() return output_data# 实例化检测模型预测器predictor = create_predictor('inference/face_verification/__model__', 'inference/face_verification/__params__')# 读取图片img1 = cv2.imread('img/crop_0.jpg')img2 = cv2.imread('img/crop_1.jpg')# 图像拼接img_true = concatenate(img1, img1)img_false = concatenate(img1, img2)# 输入图片展示plt.imshow(img_true[:,:,::-1])plt.show()plt.imshow(img_false[:,:,::-1])plt.show()# 数据预处理img_true = pre_val(img_true)img_false = pre_val(img_false)# 数据拼接imgs = np.concatenate([img_true, img_false], 0)# 模型预测output_data = predict_val(predictor, imgs)# 结果后处理results = np.argmax(output_data, 1)for i, result in enumerate(results): if result: print('第%d个样本匹配' % (i+1)) else: print('第%d个样本不匹配' % (i+1))
第1个样本匹配第2个样本不匹配完整程序只需要将上面的两个代码稍微封装，串联起来，就能实现一个简单的实时人脸识别系统完整程序存放在face_recognition目录下，目录结构如下：inference -- 存放推理模型preprocess.py -- 数据预处理postprocess.py -- 数据后处理inference.py -- 模型推理main.py -- 主程序仅作为测试使用，未封装gui界面使用下面的代码即可启动程序将按钮窗口关闭，并使用esc键退出视频窗口，即可退出程序in [ ]
# 请下载代码并在有摄像头的系统环境中执行!python face_recognition/main.py程序流程通过main.py来介绍一下大致的程序流程具体细节请参考源码# 导入所需的包import cv2, threading import numpy as npfrom inference import analysismodelfrom preprocess import pre_det, pre_valfrom postprocess import post_detfrom tkinter import tk, button# 按钮点击函数，用于切换人脸def change_face(): global change_flag change_flag = true# 主线程def main(): global change_flag # 开启摄像头 cap = cv2.videocapture(0) # 初始化两个模型 model_det = analysismodel('inference/face_detection/__model__', 'inference/face_detection/__params__', true, false) model_val = analysismodel('inference/face_verification/__model__', 'inference/face_verification/__params__', false, true) tmp = none font = cv2.font_hershey_simplex while true: # 读取当前帧 sucess, img = cap.read() # 检测数据预处理 img_det = pre_det(img, 0.3) # 检测模型预测 result_det = model_det.predict_det(img_det) # 检测结果后处理 img, crops, bboxes = post_det(img, result_det) # 如果当前人脸信息不为空，则启动人脸验证 if type(tmp) is np.ndarray: for crop, bbox in zip(crops, bboxes): # 验证数据预处理 img_val = pre_val(tmp, crop) x1, y1 = bbox[:2] # 验证模型预测 result_val = model_val.predict_val(img_val) # 验证结果后处理 if np.argmax(result_val[0]): img = cv2.puttext(img, 'success', (x1, y1-4), font, 0.6, (0, 255, 0), 2) else: img = cv2.puttext(img, 'faild', (x1, y1-4), font, 0.6, (0, 0, 255), 2) # 若更换人脸的标识为真，则切换人脸信息 if (len(crops)>0) and change_flag: tmp = crops[0] crop = crops[0] cv2.imshow('face', crop) change_flag=false # 使用窗口显示结果图片 cv2.imshow('face recognition', img) k = cv2.waitkey(1) if k == 27: #通过esc键退出摄像 cv2.destroyallwindows() break if __name__=='__main__': global change_flag change_flag = false # 初始化按钮界面 root = tk() root.title('button') button = button(root, text =点击抓取人脸图片, command = change_face) button.pack() # 初始化主线程 main_thread = threading.thread(target=main) # 启动主线程 main_thread.start() # 启动按钮界面线程 root.mainloop()总结这个人脸识别系统实测可用，效果也还能够接受如果项目有任何错误的地方，欢迎大家在评论区中评论指正关于作者肖培楷东莞理工学院 智能制造工程专业 大一在读感兴趣的方向为：机器视觉和强化学习等
人工智能需要爆发，智能翻译或成为入口！
关于小米汽车，雷军发声：“50万以内，有对手吗？”
余压监控系统
郑建邦率队赴深圳调研 聚焦“深港共建全球科技创新高地”
实例讲解PIC单片机之中断程序
人脸识别技术的应用 部署一个人脸识别系统
HFSS同轴线、微带线、共面波导端口设置
单片机的中断系统
1亿部！传华为提高42.86%目标
智慧农业想要颠覆传统容易吗
微生物快速检测仪器的特性
磁场重联会发生什么？
USB母座焊连接器的焊接技巧
变压器采用差动保护取决容量或线路技术分析
晶振的最大波特率及其误差介绍
基于C#开发一个简单的窗体应用程序
手机板对板连接器的测试及解决方案
通过CAN模块和PIC30系列芯片实现船舶电站控制系统的设计
rfid系统供应商有哪些_国内十大rfid系统供应商排名
LLM的长度外推浅谈
# 安装新版paddlehub!pip install paddlehub==1.8.1in [ ]
# 人脸检测模型导出import paddlehub as hub# 加载模型face_detector = hub.module(name=pyramidbox_lite_mobile)# 导出推理模型face_detector.save_inference_model( dirname='inference/face_detection', model_filename='__model__', params_filename='__params__')in [ ]
# 人脸验证模型导出import paddlehub as hubfrom paddlehub.dataset.base_cv_dataset import basecvdataset# 新建临时train.txtwith open('data/train.txt', 'w', encoding='utf-8') as f: for x in range(100): f.write('test 0\\n')import paddlehub as hubfrom paddlehub.dataset.base_cv_dataset import basecvdataset# 自定义数据集class facedataset(basecvdataset): def __init__(self): # 数据集存放位置 self.dataset_dir = /home/aistudio/data/ super(facedataset, self).__init__( base_path=self.dataset_dir, train_list_file=train.txt, label_list=['0','1'] )dataset = facedataset()# 使用mobilenet_v3_large_imagenet_ssld预训练模型进行finetunemodule = hub.module(name=mobilenet_v3_large_imagenet_ssld)# 数据读取器data_reader = hub.reader.imageclassificationreader( image_width=module.get_expected_image_width(), image_height=module.get_expected_image_height(), images_mean=module.get_pretrained_images_mean(), images_std=module.get_pretrained_images_std(), dataset=dataset)# 优化器配置strategy = hub.adamweightdecaystrategy( learning_rate=1e-3, lr_scheduler=linear_decay, warmup_proportion=0.1, weight_decay=0.0001, optimizer_name=adam)# 总体配置config = hub.runconfig( use_cuda=false, num_epoch=10, checkpoint_dir=mobilenet_v3, batch_size=100, eval_interval=100, strategy=strategy)# 任务构建input_dict, output_dict, program = module.context(trainable=true)img = input_dict[image]feature_map = output_dict[feature_map]feed_list = [img.name]task = hub.imageclassifiertask( data_reader=data_reader, feed_list=feed_list, feature=feature_map, num_classes=dataset.num_labels, config=config)# 加载best_modeltask.init_if_load_best_model()# 导出推理模型task.save_inference_model( dirname='inference/face_verification', model_filename='__model__', params_filename='__params__')使用推理模型进行预测使用推理模型部署一般分为如下5步：读取数据数据预处理模型预测结果后处理结果展示上述模型预测阶段也分为5步：配置推理选项创建predictor准备模型输入模型推理获取模型输出下面就来演示一下如何使用刚刚导出的推理模型完成人脸的检测和验证代码上有详细的注释，更多更详细的使用方法请参考[paddleinference]in [1]
# 检测模型预测%matplotlib inlineimport cv2import numpy as npfrom pil import imagefrom matplotlib import pyplot as pltfrom paddle.fluid.core import analysisconfig, paddletensorfrom paddle.fluid.core import create_paddle_predictor# 数据预处理def pre_det(org_im, shrink): image = org_im.copy() image_height, image_width, image_channel = image.shape # 图像缩放 if shrink != 1: image_height, image_width = int(image_height * shrink), int( image_width * shrink) image = cv2.resize(image, (image_width, image_height), cv2.inter_nearest) # hwc to chw if len(image.shape) == 3: image = np.swapaxes(image, 1, 2) image = np.swapaxes(image, 1, 0) # 归一化 mean = [104., 117., 123.] scale = 0.007843 image = image.astype('float32') image -= np.array(mean)[:, np.newaxis, np.newaxis].astype('float32') image = image * scale image = np.expand_dims(image, axis=0).astype('float32') return image# 数据后处理# 输入原始图像，根据预测结果绘制人脸预测框，并裁剪人脸图像def post_det(img, output_datas): img_h, img_w = img.shape[:2] new_img = img.copy() crops = [] for data in output_datas: label, score, x1, y1, x2, y2 = data if score>0.8: x1, y1, x2, y2 = [int(_) for _ in [x1*img_w, y1*img_h, x2*img_w, y2*img_h]] crop = img[max(0, y1-50):min(y2+50,img_h),max(0, x1-50):min(x2+50,img_w),:] h, w = crop.shape[:2] crop = cv2.resize(crop, (200, int(h/w*200))) if w>h else cv2.resize(crop, (int(w/h*200), 200)) row_nums = 200-crop.shape[0] line_nums = 200-crop.shape[1] if row_nums%2 ==0: crop= np.pad(crop,((row_nums//2,row_nums//2),(0,0),(0,0)),'constant') else: crop= np.pad(crop,((row_nums//2,row_nums//2+1),(0,0),(0,0)),'constant') if line_nums%2 ==0: crop= np.pad(crop,((0,0),(line_nums//2,line_nums//2),(0,0)),'constant') else: crop= np.pad(crop,((0,0),(line_nums//2,line_nums//2+1),(0,0)),'constant') crops.append(crop) cv2.rectangle(new_img, (x1, y1), (x2, y2), (255, 0, 0), 2) return new_img, crops# 创建预测器def create_predictor(model_file, params_file): # 创建配置 config = analysisconfig(model_file, params_file) # 关闭gpu config.disable_gpu() # 开启mkldnn加速intel平台的cpu推理速度 config.enable_mkldnn() # 关闭log显示 config.disable_glog_info() # 开启ir优化 config.switch_ir_optim(true) # 使用feed和fetch的算子 config.switch_use_feed_fetch_ops(true) # 根据配置创建预测器 predictor = create_paddle_predictor(config) return predictor# 模型预测def predict_det(predictor, inputs): # 转换输入数据为paddletensor inputs = paddletensor(inputs.copy()) # 执行前向计算 result = predictor.run([inputs]) # 转换输出数据为ndarray output_data = result[0].as_ndarray() return output_data# 实例化检测模型预测器predictor = create_predictor('inference/face_detection/__model__', 'inference/face_detection/__params__')# 读取图片img = cv2.imread('img/test.jpg')# 原始图片展示plt.imshow(img[:,:,::-1])plt.show()# 图像预处理img1 = pre_det(img, 0.5)# 模型预测output_data = predict_det(predictor, img1)# 结果后处理img, crops = post_det(img, output_data)# 结果图片展示plt.imshow(img[:,:,::-1])plt.show()
in [3]
# 验证模型预测%matplotlib inlineimport cv2import numpy as npfrom pil import imagefrom matplotlib import pyplot as pltfrom paddle.fluid.core import analysisconfigfrom paddle.fluid.core import create_paddle_predictor# 图片拼接def concatenate(true_img, crop): new = np.concatenate([true_img,crop],1) return new# 数据预处理def pre_val(img): img = cv2.cvtcolor(img, cv2.color_bgr2rgb) img = image.fromarray(img) # 图像缩放 image = img.resize((224, 224), image.lanczos) # hwc to chw mean = np.array([0.485,0.456,0.406]).reshape(3, 1, 1) std = np.array([0.229,0.224,0.225]).reshape(3, 1, 1) image = np.array(image).astype('float32') if len(image.shape) == 3: image = np.swapaxes(image, 1, 2) image = np.swapaxes(image, 1, 0) # 归一化 image /= 255 image -= mean image /= std image = image[[0, 1, 2], :, :] image = np.expand_dims(image, axis=0).astype('float32') return image# 创建预测器def create_predictor(model_file, params_file): # 创建配置 config = analysisconfig(model_file, params_file) # 关闭gpu config.disable_gpu() # 开启mkldnn加速intel平台的cpu推理速度 config.enable_mkldnn() # 关闭log显示 config.disable_glog_info() # 开启ir优化 config.switch_ir_optim(true) # 不使用feed和fetch的算子 config.switch_use_feed_fetch_ops(false) # 根据配置创建预测器 predictor = create_paddle_predictor(config) return predictor# 模型预测def predict_val(predictor, inputs): # 获取输入向量名 input_names = predictor.get_input_names() # 根据输入向量名获取输入向量 input_tensor = predictor.get_input_tensor(input_names[0]) # 将输入数据拷贝进输入向量 input_tensor.copy_from_cpu(inputs) # 执行前向计算 predictor.zero_copy_run() # 获取输出向量名 output_names = predictor.get_output_names() # 根据输出向量名获取输出向量 output_tensor = predictor.get_output_tensor(output_names[0]) # 从输出向量中拷贝输出数据到输出变量上 output_data = output_tensor.copy_to_cpu() return output_data# 实例化检测模型预测器predictor = create_predictor('inference/face_verification/__model__', 'inference/face_verification/__params__')# 读取图片img1 = cv2.imread('img/crop_0.jpg')img2 = cv2.imread('img/crop_1.jpg')# 图像拼接img_true = concatenate(img1, img1)img_false = concatenate(img1, img2)# 输入图片展示plt.imshow(img_true[:,:,::-1])plt.show()plt.imshow(img_false[:,:,::-1])plt.show()# 数据预处理img_true = pre_val(img_true)img_false = pre_val(img_false)# 数据拼接imgs = np.concatenate([img_true, img_false], 0)# 模型预测output_data = predict_val(predictor, imgs)# 结果后处理results = np.argmax(output_data, 1)for i, result in enumerate(results): if result: print('第%d个样本匹配' % (i+1)) else: print('第%d个样本不匹配' % (i+1))
第1个样本匹配第2个样本不匹配完整程序只需要将上面的两个代码稍微封装，串联起来，就能实现一个简单的实时人脸识别系统完整程序存放在face_recognition目录下，目录结构如下：inference -- 存放推理模型preprocess.py -- 数据预处理postprocess.py -- 数据后处理inference.py -- 模型推理main.py -- 主程序仅作为测试使用，未封装gui界面使用下面的代码即可启动程序将按钮窗口关闭，并使用esc键退出视频窗口，即可退出程序in [ ]
# 请下载代码并在有摄像头的系统环境中执行!python face_recognition/main.py程序流程通过main.py来介绍一下大致的程序流程具体细节请参考源码# 导入所需的包import cv2, threading import numpy as npfrom inference import analysismodelfrom preprocess import pre_det, pre_valfrom postprocess import post_detfrom tkinter import tk, button# 按钮点击函数，用于切换人脸def change_face(): global change_flag change_flag = true# 主线程def main(): global change_flag # 开启摄像头 cap = cv2.videocapture(0) # 初始化两个模型 model_det = analysismodel('inference/face_detection/__model__', 'inference/face_detection/__params__', true, false) model_val = analysismodel('inference/face_verification/__model__', 'inference/face_verification/__params__', false, true) tmp = none font = cv2.font_hershey_simplex while true: # 读取当前帧 sucess, img = cap.read() # 检测数据预处理 img_det = pre_det(img, 0.3) # 检测模型预测 result_det = model_det.predict_det(img_det) # 检测结果后处理 img, crops, bboxes = post_det(img, result_det) # 如果当前人脸信息不为空，则启动人脸验证 if type(tmp) is np.ndarray: for crop, bbox in zip(crops, bboxes): # 验证数据预处理 img_val = pre_val(tmp, crop) x1, y1 = bbox[:2] # 验证模型预测 result_val = model_val.predict_val(img_val) # 验证结果后处理 if np.argmax(result_val[0]): img = cv2.puttext(img, 'success', (x1, y1-4), font, 0.6, (0, 255, 0), 2) else: img = cv2.puttext(img, 'faild', (x1, y1-4), font, 0.6, (0, 0, 255), 2) # 若更换人脸的标识为真，则切换人脸信息 if (len(crops)>0) and change_flag: tmp = crops[0] crop = crops[0] cv2.imshow('face', crop) change_flag=false # 使用窗口显示结果图片 cv2.imshow('face recognition', img) k = cv2.waitkey(1) if k == 27: #通过esc键退出摄像 cv2.destroyallwindows() break if __name__=='__main__': global change_flag change_flag = false # 初始化按钮界面 root = tk() root.title('button') button = button(root, text =点击抓取人脸图片, command = change_face) button.pack() # 初始化主线程 main_thread = threading.thread(target=main) # 启动主线程 main_thread.start() # 启动按钮界面线程 root.mainloop()总结这个人脸识别系统实测可用，效果也还能够接受如果项目有任何错误的地方，欢迎大家在评论区中评论指正关于作者肖培楷东莞理工学院 智能制造工程专业 大一在读感兴趣的方向为：机器视觉和强化学习等
人工智能需要爆发，智能翻译或成为入口！
关于小米汽车，雷军发声：“50万以内，有对手吗？”
余压监控系统
郑建邦率队赴深圳调研 聚焦“深港共建全球科技创新高地”
实例讲解PIC单片机之中断程序
人脸识别技术的应用 部署一个人脸识别系统
HFSS同轴线、微带线、共面波导端口设置
单片机的中断系统
1亿部！传华为提高42.86%目标
智慧农业想要颠覆传统容易吗
微生物快速检测仪器的特性
磁场重联会发生什么？
USB母座焊连接器的焊接技巧
变压器采用差动保护取决容量或线路技术分析
晶振的最大波特率及其误差介绍
基于C#开发一个简单的窗体应用程序
手机板对板连接器的测试及解决方案
通过CAN模块和PIC30系列芯片实现船舶电站控制系统的设计
rfid系统供应商有哪些_国内十大rfid系统供应商排名
LLM的长度外推浅谈