python自動識別圖片頭像

① python如何圖像識別

首先，先定位好問題是屬於圖像識別任務中的哪一類，最好上傳一張植物葉子的圖片。因為目前基於深度學習的卷積神經網路（CNN）確實在圖像識別任務中取得很好的效果，深度學習屬於機器學習，其研究的範式，或者說處理圖像的步驟大體上是一致的。

1、第一步，准備好數據集，這里是指，需要知道輸入、輸出（視任務而定，針對你這個問題，建議使用有監督模型）是什麼。你可以准備一個文件夾，裡面存放好植物葉子的圖像，而每張圖像對應一個標簽（有病/沒病，或者是多類別標簽，可能具體到哪一種病）。
具體實現中，會將數據集分為三個：訓練集（計算模型參數）、驗證集（調參，這個經常可以不需要實現劃分，在python中可以用scikit-learn中的函數解決。測試集用於驗證模型的效果，與前面兩個的區別是，模型使用訓練集和驗證集時，是同時使用了輸入數據和標簽，而在測試階段，模型是用輸入+模型參數，得到的預測與真實標簽進行對比，進而評估效果。
2、確定圖像識別的任務是什麼？

圖像識別的任務可以分為四個：圖像分類、目標檢測、語義分割、實例分割，有時候是幾個任務的結合。
圖像分類是指以圖像為輸入，輸出對該圖像內容分類的描述，可以是多分類問題，比如貓狗識別。通過足夠的訓練數據（貓和狗的照片-標簽，當然現在也有一系列的方法可以做小樣本訓練，這是細節了，這里並不敞開講），讓計算機/模型輸出這張圖片是貓或者狗，及其概率。當然，如果你的訓練數據還有其它動物，也是可以的，那就是圖像多分類問題。
目標檢測指將圖像或者視頻中的目標與不感興趣的部分區分開，判斷是否存在目標，並確定目標的具體位置。比如，想要確定這只狗所佩戴的眼睛的位置，輸入一張圖片，輸出眼睛的位置（可視化後可以講目標區域框出來）。

看到這里，應該想想植物葉子診斷疾病的問題，只需要輸入一整張植物葉子的圖片，輸出是哪種疾病，還是需要先提取葉子上某些感興趣區域（可能是病變區域），在用病變區域的特徵，對應到具體的疾病？
語義分割是當今計算機視覺領域的關鍵問題之一，宏觀上看，語義分割是一項高層次的任務。其目的是以一些原始圖像作為輸入，輸出具有突出顯示的感興趣的掩膜，其實質上是實現了像素級分類。對於輸入圖片，輸出其舌頭區域（注意可以是不規則的，甚至不連續的）。

而實例分割，可以說是在語義分割的基礎上，在像素層面給出屬於每個實例的像素。

看到這里，可以具體思考下自己的問題是對應其中的哪一類問題，或者是需要幾種任務的結合。

3、實際操作
可以先通過一個簡單的例子入手，先了解構建這一個框架需要准備什麼。手寫數字識別可以說是深度學習的入門數據集，其任務也經常作為該領域入門的案例，也可以自己在網上尋找。

② 識別圖片的python代碼

網址403許可權錯誤。
如果是個人網站，建議檢查；如果僅僅是為了測試，建議將圖片上傳到圖床上測試。
提問時建議隱藏API_ID和API_KEY，保護自己的信息。

③ 如何使用Python，基於OpenCV與Face++實現人臉解鎖的功能

近幾天微軟的發布會上講到了不少認臉解鎖的內容，經過探索，其實利用手頭的資源我們完全自己也可以完成這樣一個過程。

本文講解了如何使用Python，基於OpenCV與Face++實現人臉解鎖的功能。

本文基於Python 2.7.11，Windows 8.1 系統。

主要內容

• Windows 8.1上配置OpenCV

• OpenCV的人臉檢測應用

• 使用Face++完成人臉辨識（如果你想自己實現這部分的功能，可以借鑒例如這個項目）

Windows 8.1上配置OpenCV

入門的時候配置環境總是一個非常麻煩的事情，在Windows上配置OpenCV更是如此。

既然寫了這個推廣的科普教程，總不能讓讀者卡在環境配置上吧。

下面用到的文件都可以在這里（提取碼：b6ec）下載，但是注意，目前OpenCV僅支持Python2.7。

將cv2加入site-packages

將下載下來的cv2.pyd文件放入Python安裝的文件夾下的Libsite-packages目錄。

就我的電腦而言，這個目錄就是C:/Python27/Lib/site-packages/。

記得不要直接使用pip安裝，將文件拖過去即可。

安裝numpy組件

在命令行下進入到下載下來的文件所在的目錄（按住Shift右鍵有在該目錄打開命令行的選項）

鍵入命令：

1

pip install numpy-1.11.0rc2-cp27-cp27m-win32.whl

如果你的系統或者Python不適配，可以在這里下載別的輪子。

測試OpenCV安裝

在命令行鍵入命令：

1

python -c "import cv2"

如果沒有出現錯誤提示，那麼cv2就已經安裝好了。

OpenCV的人臉檢測應用

人臉檢測應用，簡而言之就是一個在照片里找到人臉，然後用方框框起來的過程（我們的相機經常做這件事情）

那麼具體而言就是這樣一個過程：

• 獲取攝像頭的圖片

• 在圖片中檢測到人臉的區域

• 在人臉的區域周圍繪制方框

獲取攝像頭的圖片

這里簡單的講解一下OpenCV的基本操作。

以下操作是打開攝像頭的基本操作：

1

2

3

4

5

6

7

#coding=utf8

import cv2

# 一般筆記本的默認攝像頭都是0

capInput = cv2.VideoCapture(0)

# 我們可以用這條命令檢測攝像頭是否可以讀取數據

if not capInput.isOpened(): print('Capture failed because of camera')

那麼怎麼從攝像頭讀取數據呢？

1

2

3

4

5

6

7

8

# 接上段程序

# 現在攝像頭已經打開了，我們可以使用這條命令讀取圖像

# img就是我們讀取到的圖像，就和我們使用open('pic.jpg', 'rb').read()讀取到的數據是一樣的

ret, img = capInput.read()

# 你可以使用open的方式存儲，也可以使用cv2提供的方式存儲

cv2.imwrite('pic.jpg', img)

# 同樣，你可以使用open的方式讀取，也可以使用cv2提供的方式讀取

img = cv2.imread('pic.jpg')

為了方便顯示圖片，cv2也提供了顯示圖片的方法：

1

2

3

4

5

6

# 接上段程序

# 定義一個窗口，當然也可以不定義

imgWindowName = 'ImageCaptured'

imgWindow = cv2.namedWindow(imgWindowName, cv2.WINDOW_NORMAL)

# 在窗口中顯示圖片

cv2.imshow(imgWindowName, img)

當然在完成所有操作以後需要把攝像頭和窗口都做一個釋放：

1

2

3

4

5

# 接上段程序

# 釋放攝像頭

capInput.release()

# 釋放所有窗口

cv2.destroyAllWindows()

在圖片中檢測到人臉的區域

OpenCV給我們提供了已經訓練好的人臉的xml模板，我們只需要載入然後比對即可。

1

2

3

4

5

6

7

8

# 接上段程序

# 載入xml模板

faceCascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

# 將圖形存儲的方式進行轉換

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 使用模板匹配圖形

faces = faceCascade.detectMultiScale(gray, 1.3, 5)

print(faces)

在人臉的區域周圍繪制方框

在上一個步驟中，faces中的四個量分別為左上角的橫坐標、縱坐標、寬度、長度。

所以我們根據這四個量很容易的就可以繪制出方框。

1

2

3

# 接上段程序

# 函數的參數分別為：圖像，左上角坐標，右下角坐標，顏色，寬度

img = cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)

成果

根據上面講述的內容，我們現在已經可以完成一個簡單的人臉辨認了：

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

#coding=utf8

import cv2

print('Press Esc to exit')

faceCascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

imgWindow = cv2.namedWindow('FaceDetect', cv2.WINDOW_NORMAL)

def detect_face():

capInput = cv2.VideoCapture(0)

# 避免處理時間過長造成畫面卡頓

nextCaptureTime = time.time()

faces = []

if not capInput.isOpened(): print('Capture failed because of camera')

while 1:

ret, img = capInput.read()

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

if nextCaptureTime < time.time():

nextCaptureTime = time.time() + 0.1

faces = faceCascade.detectMultiScale(gray, 1.3, 5)

if faces:

for x, y, w, h in faces:

img = cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)

cv2.imshow('FaceDetect', img)

# 這是簡單的讀取鍵盤輸入，27即Esc的acsii碼

if cv2.waitKey(1) & 0xFF == 27: break

capInput.release()

cv2.destroyAllWindows()

if __name__ == '__main__':

detect_face()

使用Face++完成人臉辨識

第一次認識Face++還是因為支付寶的人臉支付，響應速度還是非常讓人滿意的。

現在只需要免費注冊一個賬號然後新建一個應用就可以使用了，非常方便。

他的官方網址是這個，注冊好之後在這里的我的應用中創建應用即可。

創建好應用之後你會獲得API Key與API Secret。

Face++的API調用邏輯簡單來說是這樣的：

• 上傳圖片獲取讀取到的人的face_id

• 創建Person，獲取person_id（Person中的圖片可以增加、刪除）

• 比較兩個face_id，判斷是否是一個人

• 比較face_id與person_id，判斷是否是一個人

上傳圖片獲取face_id

在將圖片通過post方法上傳到特定的地址後將返回一個json的值。

如果api_key, api_secret沒有問題，且在上傳的圖片中有識別到人臉，那麼會存儲在json的face鍵值下。

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

#coding=utf8

import requests

# 這里填寫你的應用的API Key與API Secret

API_KEY = ''

API_SECRET = ''

# 目前的API網址是這個，你可以在API文檔里找到這些

BASE_URL = 'httlus.com/v2'

# 使用Requests上傳圖片

url = '%s/detection/detect?api_key=%s&api_secret=%s&attribute=none'%(

BASE_URL, API_KEY, API_SECRET)

files = {'img': (os.path.basename(fileDir), open(fileDir, 'rb'),

mimetypes.guess_type(fileDir)[0]), }

r = requests.post(url, files = files)

# 如果讀取到圖片中的頭像則輸出他們，其中的'face_id'就是我們所需要的值

faces = r.json().get('face')

print faces

創建Person

這個操作沒有什麼可以講的內容，可以對照這段程序和官方的API介紹。

官方的API介紹可以見這里，相信看完這一段程序以後你就可以自己完成其餘的API了。

1

2

3

4

5

6

7

8

9

10

11

12

13

14

# 上接上一段程序

# 讀取face_id

if not faces is None: faceIdList = [face['face_id'] for face in faces]

# 使用Requests創建Person

url = '%s/person/create'%BASE_URL

params = {

'api_key': API_KEY,

'api_secret': API_SECRET,

'person_name': 'LittleCoder',

'face_id': ','.join(faceIdList), }

r = requests.get(url, params = params)

# 獲取person_id

print r.json.()['person_id']

進度確認

到目前為止，你應該已經可以就給定的兩張圖片比對是否是同一個人了。

那麼讓我們來試著寫一下這個程序吧，兩張圖片分別為』pic1.jpg』, 『pic2.jpg』好了。

下面我給出了我的代碼：

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

def upload_img(fileDir, oneface = True):

url = '%s/detection/detect?api_key=%s&api_secret=%s&attribute=none'%(

BASE_URL, API_KEY, API_SECRET)

if oneface: url += '&mode=oneface'

files = {'img': (os.path.basename(fileDir), open(fileDir, 'rb'),

mimetypes.guess_type(fileDir)[0]), }

r = requests.post(url, files = files)

faces = r.json().get('face')

if faces is None:

print('There is no face found in %s'%fileDir)

else:

return faces[0]['face_id']

def compare(faceId1, faceId2):

url = '%s/recognition/compare'%BASE_URL

params = BASE_PARAMS

params['face_id1'] = faceId1

params['face_id2'] = faceId2

r = requests.get(url, params)

return r.json()

faceId1 = upload_img('pic1.jpg')

faceId2 = upload_img('pic2.jpg')

if face_id1 and face_id2:

print(compare(faceId1, faceId2))

else:

print('Please change two pictures')

成品

到此，所有的知識介紹都結束了，相比大致如何完成這個項目各位讀者也已經有想法了吧。

下面我們需要構思一下人臉解鎖的思路，大致而言是這樣的：

• 使用一個程序設置賬戶（包括向賬戶中存儲解鎖用的圖片）

• 使用另一個程序登陸（根據輸入的用戶名測試解鎖）

這里會有很多重復的代碼，就不再贅述了，你可以在這里或者這里（提取碼：c073）下載源代碼測試使用。

這里是設置賬戶的截圖：

登陸

結束語

希望讀完這篇文章能對你有幫助，有什麼不足之處萬望指正（鞠躬）。

④ 如何利用python進行精準人臉識別

要調用api介面，建議用face++的，支付寶的人臉識別都是用的這個。可能需要一點費用，不貴，代碼里把fece++的api介面放進代碼就行，還可以可以檢測情緒，年齡等等的。

當然也有其他公司人臉識別的api介面，自己發現吧，其實很多，但基本都不會免費，有的可以試用

⑤ python能做圖像識別嗎

可以，你可以用它做其餘軟體能實現的任何功能。大家長用他來處理數據，做深度學習。

⑥ 如何python pil開發圖像識別

1. 簡介。

圖像處理是一門應用非常廣的技術，而擁有非常豐富第三方擴展庫的 Python 當然不會錯過這一門盛宴。PIL （Python Imaging Library）是 Python 中最常用的圖像處理庫，目前版本為 1.1.7，我們可以在這里下載學習和查找資料。

Image 類是 PIL 庫中一個非常重要的類，通過這個類來創建實例可以有直接載入圖像文件，讀取處理過的圖像和通過抓取的方法得到的圖像這三種方法。

2. 使用。

導入 Image 模塊。然後通過 Image 類中的 open 方法即可載入一個圖像文件。如果載入文件失敗，則會引起一個 IOError ；若無返回錯誤，則 open 函數返回一個 Image 對象。現在，我們可以通過一些對象屬性來檢查文件內容，即：

1 >>> import Image
2 >>> im = Image.open("j.jpg")
3 >>> print im.format, im.size, im.mode
4 JPEG (440, 330) RGB

這里有三個屬性，我們逐一了解。

format : 識別圖像的源格式，如果該文件不是從文件中讀取的，則被置為 None 值。

size : 返回的一個元組，有兩個元素，其值為象素意義上的寬和高。

mode : RGB（true color image），此外還有，L（luminance），CMTK（pre-press image）。

現在，我們可以使用一些在 Image 類中定義的方法來操作已讀取的圖像實例。比如，顯示最新載入的圖像：

1 >>>im.show()
2 >>>

輸出原圖：

3.5 更多關於圖像文件的讀取。

最基本的方式：im = Image.open("filename")

類文件讀取：fp = open("filename", "rb"); im = Image.open(fp)

字元串數據讀取：import StringIO; im = Image.open(StringIO.StringIO(buffer))

從歸檔文件讀取：import TarIO; fp = TarIo.TarIO("Image.tar", "Image/test/lena.ppm"); im = Image.open(fp)

基本的 PIL 目前就練習到這里。其他函數的功能可點擊這里進一步閱讀。

⑦ Python深度學習之圖像識別

作者 | 周偉能

來源 | 小叮當講SAS和Python

Python在機器學習（人工智慧，AI）方面有著很大的優勢。談到人工智慧，一般也會談到其實現的語言Python。前面有幾講也是關於機器學習在圖像識別中的應用。今天再來講一個關於運用google的深度學習框架tensorflow和keras進行訓練深度神經網路，並對未知圖像進行預測。

導入python模塊

導入圖像數據

合並列表數據

將圖片數據轉化為數組

顯示一張圖片

訓練神經網路

我們可以看到測試集的准確率達到99.67%

預測一個圖像

預測為汽車的概率為100%。（括弧內為真實標簽）

預測為美女的概率為100%。（括弧內為真實標簽）

測試集中前15個圖像預測完全正確。Nice!

最後我們來識別單張圖片。

結果預測為汽車。Nice!

最後來預測一下外部隨便下載的汽車或美女圖片

預測為汽車，不錯！

小編這里有10張圖片，前5張為汽車圖片，後五張為美女圖片。

下面進行批量預測：

結果也是完全正確。

看到這里，感覺神經網路是不是很神奇，要想讓神經網路預測得准確，我們就必須給予大量的數據進行訓練模型，優化模型，以至於達到准確識別圖像的目的，圖像識別作為人工智慧的一部分，現在已經慢慢走向成熟，雖然機器也有出錯的時候，但是進過不斷優化，錯誤率將會越來越小，相信機器智能或者人工智慧時代能夠創造出更多智能而美好的東西。為社會，為人類的自由做出更大的貢獻。

⑧ 如何用Python實現簡單人臉識別

你可以使用opencv庫提供的人臉識別模塊，這樣子會比較快

⑨ 這種圖片可以用Python自動識別嗎

Python圖片文本識別使用的工具是PIL和pytesser。因為他們使用到很多的python庫文件，為了避免一個個工具的安裝，建議使用pythonxy
pytesser是OCR開源項目的一個模塊，在Python中導入這個模塊即可將圖片中的文字轉換成文本。pytesser調用了tesseract。當在Python中調用pytesser模塊時，pytesser又用tesseract識別圖片中的文字。pytesser的使用步驟如下：

首先，安裝Python2.7版本，這個版本比較穩定，建議使用這個版本。
其次，安裝pythoncv。
然後，安裝PIL工具，pytesser的使用需要PIL庫的支持。
接著下載pytesser
最後，將pytesser解壓，這個是免安裝的，可以將解壓後的文件cut到Python安裝目錄的Lib\site-packages下直接使用，比如我的安裝目錄是：C:\Python27\Lib\site-packages，同時把這個目錄添加到環境變數之中。
完成以上步驟之後，就可以編寫圖片文本識別的Python腳本了。參考腳本如下：
from pytesser import *
import ImageEnhance
image = Image.open('D:\\workspace\\python\\5.png')
#使用ImageEnhance可以增強圖片的識別率
enhancer = ImageEnhance.Contrast(image)
image_enhancer = enhancer.enhance(4)
print image_to_string(image_enhancer)

tesseract是谷歌的一個對圖片進行識別的開源框架，免費使用，現在已經支持中文，而且識別率非常高，這里簡要來個helloworld級別的認識
下載之後進行安裝，不再演示。
在tesseract目錄下，有個tesseract.exe文件，主要調用這個執行文件，用cmd運行到這個目錄下，在這個目錄下同時放置一張需要識別的圖片，這里是123.jpg
然後運行:tesseract 123.jpg result
會把123.jpg自動識別並轉換為txt文件到result.txt
但是此時中文識別不好
然後找到tessdata目錄，把eng.traineddata替換為chi_sim.traineddata,並且把chi_sim.traineddata重命名為eng.traineddata
ok,現在中文識別基本達到90%以上了

⑩ 利用python做機器學習圖像識別要怎麼做

你需要的不只是分類演算法，還要有 Object Detection，如果想採用深度學習方法的話，建議論文直接從 R-CNN 一直看到 Mask R-CNN，之後如果需要速度就看看 YOLO 和 SSD。
當然如果你看不懂上述論文的話，說明你還是要從頭開始學習。