.NET做人臉識別并分類的實現示例

 更新時間:2019年11月27日 14:33:10   作者:.NET騷操作   我要評論
這篇文章主要介紹了.NET做人臉識別并分類示例,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧

在游樂場、玻璃天橋、滑雪場等娛樂場所,經常能看到有攝影師在拍照片,令這些經營者發愁的一件事就是照片太多了,客戶在成千上萬張照片中找到自己可不是件容易的事。在一次游玩等活動或家庭聚會也同理,太多了照片導致挑選十分困難。

還好有.NET,只需少量代碼,即可輕松找到人臉并完成分類。

本文將使用Microsoft Azure云提供的認知服務Cognitive ServicesAPI來識別并進行人臉分類,可以免費使用,注冊地址是:https://portal.azure.com。注冊完成后,會得到兩個密鑰,通過這個密鑰即可完成本文中的所有代碼,這個密鑰長這個樣子(非真實密鑰):

fa3a7bfd807ccd6b17cf559ad584cbaa

使用方法

首先安裝NuGetMicrosoft.Azure.CognitiveServices.Vision.Face,目前最新版是2.5.0-preview.1,然后創建一個FaceClient

string key = "fa3a7bfd807ccd6b17cf559ad584cbaa"; // 替換為你的key
using var fc = new FaceClient(new ApiKeyServiceClientCredentials(key))
{
  Endpoint = "https://southeastasia.api.cognitive.microsoft.com",
};

然后識別一張照片:

using var file = File.OpenRead(@"C:\Photos\DSC_996ICU.JPG");
IList<DetectedFace> faces = await fc.Face.DetectWithStreamAsync(file);

其中返回的faces是一個IList結構,很顯然一次可以識別出多個人臉,其中一個示例返回結果如下(已轉換為JSON):

[
  {
   "FaceId": "9997b64e-6e62-4424-88b5-f4780d3767c6",
   "RecognitionModel": null,
   "FaceRectangle": {
    "Width": 174,
    "Height": 174,
    "Left": 62,
    "Top": 559
   },
   "FaceLandmarks": null,
   "FaceAttributes": null
  },
  {
   "FaceId": "8793b251-8cc8-45c5-ab68-e7c9064c4cfd",
   "RecognitionModel": null,
   "FaceRectangle": {
    "Width": 152,
    "Height": 152,
    "Left": 775,
    "Top": 580
   },
   "FaceLandmarks": null,
   "FaceAttributes": null
  }
 ]

可見,該照片返回了兩個DetectedFace對象,它用FaceId保存了其Id,用于后續的識別,用FaceRectangle保存了其人臉的位置信息,可供對其做進一步操作。RecognitionModelFaceLandmarksFaceAttributes是一些額外屬性,包括識別性別年齡表情等信息,默認不識別,如下圖API所示,可以通過各種參數配置,非常好玩,有興趣的可以試試:

最后,通過.GroupAsync來將之前識別出的多個faceId進行分類:

var faceIds = faces.Select(x => x.FaceId.Value).ToList();
GroupResult reslut = await fc.Face.GroupAsync(faceIds);

返回了一個GroupResult,其對象定義如下:

public class GroupResult
{
  public IList<IList<Guid>> Groups
  {
    get;
    set;
  }

  public IList<Guid> MessyGroup
  {
    get;
    set;
  }

  // ...
}

包含了一個Groups對象和一個MessyGroup對象,其中Groups是一個數據的數據,用于存放人臉的分組,MessyGroup用于保存未能找到分組的FaceId

有了這個,就可以通過一小段簡短的代碼,將不同的人臉組,分別復制對應的文件夾中:

void CopyGroup(string outputPath, GroupResult result, Dictionary<Guid, (string file, DetectedFace face)> faces)
{
  foreach (var item in result.Groups
    .SelectMany((group, index) => group.Select(v => (faceId: v, index)))
    .Select(x => (info: faces[x.faceId], i: x.index + 1)).Dump())
  {
    string dir = Path.Combine(outputPath, item.i.ToString());
    Directory.CreateDirectory(dir);
    File.Copy(item.info.file, Path.Combine(dir, Path.GetFileName(item.info.file)), overwrite: true);
  }
  
  string messyFolder = Path.Combine(outputPath, "messy");
  Directory.CreateDirectory(messyFolder);
  foreach (var file in result.MessyGroup.Select(x => faces[x].file).Distinct())
  {
    File.Copy(file, Path.Combine(messyFolder, Path.GetFileName(file)), overwrite: true);
  }
}

然后就能得到運行結果,如圖,我傳入了102張照片,輸出了15個分組和一個“未找到隊友”的分組:

還能有什么問題?

就兩個API調用而已,代碼一把梭,感覺太簡單了?其實不然,還會有很多問題。

圖片太大,需要壓縮

畢竟要把圖片上傳到云服務中,如果上傳網速不佳,流量會挺大,而且現在的手機、單反、微單都能輕松達到好幾千萬像素,jpg大小輕松上10MB,如果不壓縮就上傳,一來流量和速度遭不住。

二來……其實Azure也不支持,文檔(https://docs.microsoft.com/en-us/rest/api/cognitiveservices/face/face/detectwithstream)顯示,最大僅支持6MB的圖片,且圖片大小應不大于1920x1080的分辨率:

  • JPEG, PNG, GIF (the first frame), and BMP format are supported. The allowed image file size is from 1KB to 6MB.
  • The minimum detectable face size is 36x36 pixels in an image no larger than 1920x1080 pixels. Images with dimensions higher than 1920x1080 pixels will need a proportionally larger minimum face size.

因此,如果圖片太大,必須進行一定的壓縮(當然如果圖片太小,顯然也沒必要進行壓縮了),使用.NETBitmap,并結合C# 8.0switch expression,這個判斷邏輯以及壓縮代碼可以一氣呵成:

byte[] CompressImage(string image, int edgeLimit = 1920)
{
  using var bmp = Bitmap.FromFile(image);
  
  using var resized = (1.0 * Math.Max(bmp.Width, bmp.Height) / edgeLimit) switch
  {
    var x when x > 1 => new Bitmap(bmp, new Size((int)(bmp.Size.Width / x), (int)(bmp.Size.Height / x))), 
    _ => bmp, 
  };
  
  using var ms = new MemoryStream();
  resized.Save(ms, ImageFormat.Jpeg);
  return ms.ToArray();
}

豎立的照片

相機一般都是3:2的傳感器,拍出來的照片一般都是橫向的。但偶爾尋求一些構圖的時候,我們也會選擇縱向構圖。雖然現在許多API都支持正負30度的側臉,但豎著的臉API基本都是不支持的,如下圖(實在找不到可以授權使用照片的模特了😂):

還好照片在拍攝后,都會保留exif信息,只需讀取exif信息并對照片做相應的旋轉即可:

void HandleOrientation(Image image, PropertyItem[] propertyItems)
{
  const int exifOrientationId = 0x112;
  PropertyItem orientationProp = propertyItems.FirstOrDefault(i => i.Id == exifOrientationId);
  
  if (orientationProp == null) return;
  
  int val = BitConverter.ToUInt16(orientationProp.Value, 0);
  RotateFlipType rotateFlipType = val switch
  {
    2 => RotateFlipType.RotateNoneFlipX, 
    3 => RotateFlipType.Rotate180FlipNone, 
    4 => RotateFlipType.Rotate180FlipX, 
    5 => RotateFlipType.Rotate90FlipX, 
    6 => RotateFlipType.Rotate90FlipNone, 
    7 => RotateFlipType.Rotate270FlipX, 
    8 => RotateFlipType.Rotate270FlipNone, 
    _ => RotateFlipType.RotateNoneFlipNone, 
  };
  
  if (rotateFlipType != RotateFlipType.RotateNoneFlipNone)
  {
    image.RotateFlip(rotateFlipType);
  }
}

旋轉后,我的照片如下:

這樣豎拍的照片也能識別出來了。

并行速度

前文說過,一個文件夾可能會有成千上萬個文件,一個個上傳識別,速度可能慢了點,它的代碼可能長這個樣子:

Dictionary<Guid, (string file, DetectedFace face)> faces = GetFiles(inFolder)
 .Select(file => 
 {
  byte[] bytes = CompressImage(file);
  var result = (file, faces: fc.Face.DetectWithStreamAsync(new MemoryStream(bytes)).GetAwaiter().GetResult());
  (result.faces.Count == 0 ? $"{file} not detect any face!!!" : $"{file} detected {result.faces.Count}.").Dump();
  return (file, faces: result.faces.ToList());
 })
 .SelectMany(x => x.faces.Select(face => (x.file, face)))
 .ToDictionary(x => x.face.FaceId.Value, x => (file: x.file, face: x.face));

要想把速度變化,可以啟用并行上傳,有了C#/.NETLINQ支持,只需加一行.AsParallel()即可完成:

Dictionary<Guid, (string file, DetectedFace face)> faces = GetFiles(inFolder)
 .AsParallel() // 加的就是這行代碼
 .Select(file => 
 {
  byte[] bytes = CompressImage(file);
  var result = (file, faces: fc.Face.DetectWithStreamAsync(new MemoryStream(bytes)).GetAwaiter().GetResult());
  (result.faces.Count == 0 ? $"{file} not detect any face!!!" : $"{file} detected {result.faces.Count}.").Dump();
  return (file, faces: result.faces.ToList());
 })
 .SelectMany(x => x.faces.Select(face => (x.file, face)))
 .ToDictionary(x => x.face.FaceId.Value, x => (file: x.file, face: x.face));

斷點續傳

也如上文所說,有成千上萬張照片,如果一旦網絡傳輸異常,或者打翻了桌子上的咖啡(誰知道呢?)……或者完全一切正常,只是想再做一些其它的分析,所有東西又要重新開始。我們可以加入下載中常說的“斷點續傳”機制。

其實就是一個緩存,記錄每個文件讀取的結果,然后下次運行時先從緩存中讀取即可,緩存到一個json文件中:

Dictionary<Guid, (string file, DetectedFace face)> faces = GetFiles(inFolder)
 .AsParallel() // 加的就是這行代碼
 .Select(file => 
 {
  byte[] bytes = CompressImage(file);
  var result = (file, faces: fc.Face.DetectWithStreamAsync(new MemoryStream(bytes)).GetAwaiter().GetResult());
  (result.faces.Count == 0 ? $"{file} not detect any face!!!" : $"{file} detected {result.faces.Count}.").Dump();
  return (file, faces: result.faces.ToList());
 })
 .SelectMany(x => x.faces.Select(face => (x.file, face)))
 .ToDictionary(x => x.face.FaceId.Value, x => (file: x.file, face: x.face));

注意代碼下方有一個lock關鍵字,是為了保證多線程下載時的線程安全。

使用時,只需只需在Select中添加一行代碼即可:

var cache = new Cache<List<DetectedFace>>(); // 重點
Dictionary<Guid, (string file, DetectedFace face)> faces = GetFiles(inFolder)
 .AsParallel()
 .Select(file => (file: file, faces: cache.GetOrCreate(file, () => // 重點
 {
  byte[] bytes = CompressImage(file);
  var result = (file, faces: fc.Face.DetectWithStreamAsync(new MemoryStream(bytes)).GetAwaiter().GetResult());
  (result.faces.Count == 0 ? $"{file} not detect any face!!!" : $"{file} detected {result.faces.Count}.").Dump();
  return result.faces.ToList();
 })))
 .SelectMany(x => x.faces.Select(face => (x.file, face)))
 .ToDictionary(x => x.face.FaceId.Value, x => (file: x.file, face: x.face));

將人臉框起來

照片太多,如果活動很大,或者合影中有好幾十個人,分出來的組,將長這個樣子:

完全不知道自己的臉在哪,因此需要將檢測到的臉框起來。

注意框起來的過程,也很有技巧,回憶一下,上傳時的照片本來就是壓縮和旋轉過的,因此返回的DetectedFace對象值,它也是壓縮和旋轉過的,如果不進行壓縮和旋轉,找到的臉的位置會完全不正確,因此需要將之前的計算過程重新演算一次:

using var bmp = Bitmap.FromFile(item.info.file);
HandleOrientation(bmp, bmp.PropertyItems);
using (var g = Graphics.FromImage(bmp))
{
 using var brush = new SolidBrush(Color.Red);
 using var pen = new Pen(brush, 5.0f);
 var rect = item.info.face.FaceRectangle;
 float scale = Math.Max(1.0f, (float)(1.0 * Math.Max(bmp.Width, bmp.Height) / 1920.0));
 g.ScaleTransform(scale, scale);
 g.DrawRectangle(pen, new Rectangle(rect.Left, rect.Top, rect.Width, rect.Height));
}
bmp.Save(Path.Combine(dir, Path.GetFileName(item.info.file)));

使用我上面的那張照片,檢測結果如下(有點像相機對焦時人臉識別的感覺):

1000個臉的限制

.GroupAsync方法一次只能檢測1000FaceId,而上次活動800多張照片中有超過2000FaceId,因此需要做一些必要的分組。

分組最簡單的方法,就是使用System.Interactive包,它提供了Rx.NET那樣方便快捷的API(這些APILINQ中未提供),但又不需要引入Observable<T>那樣重量級的東西,因此使用起來很方便。

這里我使用的是.Buffer(int)函數,它可以將IEnumerable<T>按指定的數量(如1000)進行分組,代碼如下:

foreach (var buffer in faces
 .Buffer(1000)
 .Select((list, groupId) => (list, groupId))
{
 GroupResult group = await fc.Face.GroupAsync(buffer.list.Select(x => x.Key).ToList());
 var folder = outFolder + @"\gid-" + buffer.groupId;
 CopyGroup(folder, group, faces);
}

總結

文中用到的完整代碼,全部上傳了到我的博客數據Github,只要輸入圖片和key,即可直接使用和運行:
https://github.com/sdcb/blog-data/tree/master/2019/20191122-dotnet-face-detection

這個月我參加了上海的.NET Conf,我上述代碼對.NET Conf800多張照片做了分組,識別出了2000多張人臉,我將其中我的照片的前三張找出來,結果如下:




......

總的來說,這個效果還挺不錯,渣渣分辨率的照片的臉都被它找到了😂。

注意,不一定非得用Azure Cognitive Services來做人臉識別,國內還有阿里云等廠商也提供了人臉識別等服務,并提供了.NET接口,無非就是調用API,注意其限制,代碼總體差不多。

另外,如有離線人臉識別需求,Luxand提供了還有離線版人臉識別SDK,名叫Luxand FaceSDK,同樣提供了.NET接口。因為無需網絡調用,其識別更快,匹配速度更是可達每秒5千萬個人臉數據,精度也非常高,親測好用,目前最新版是v7.1.0,授權昂貴(但百度有驚喜)。

以上就是本文的全部內容,希望對大家的學習有所幫助,也希望大家多多支持腳本之家。

相關文章

  • .NET邏輯分層架構總結

    .NET邏輯分層架構總結

    本人將從另一個角度來解析.NET分層架構的真正奧秘。分層,一些技術功底比較薄弱的程序員聽到分層就會聯想到三層架構(BLL,DAL之類的),其實不是,分層是一個很大的技術框架思想,三層架構只不過是對普通的信息系統來說,將信息的流轉通過三層來分解,
    2015-06-06
  • ASP.NET實現大文件上傳功能

    ASP.NET實現大文件上傳功能

    這篇文章主要為大家詳細介紹了ASP.NET實現大文件上傳功能,解決了 ASP.NET 中的大文件上傳問題,感興趣的朋友可以參考一下
    2016-07-07
  • asp.net連接數據庫讀取數據示例分享

    asp.net連接數據庫讀取數據示例分享

    這篇文章主要介紹了asp.net連接數據庫讀取數據示例,大家參考使用吧
    2014-01-01
  • ASP.NET對大文件上傳的解決方案

    ASP.NET對大文件上傳的解決方案

    在ASP.NET 開發的過程中,最大的問題就在于上傳大文件時讓開發者尤為的頭疼,而且,上傳時無法方便的做到多線程的操控和上傳進度的顯示。筆者在此給大家推薦一款簡單易用的上傳組件,從而快速便捷得解決了 ASP.NET 中的大文件上傳問題。
    2015-08-08
  • 關于C# if語句中并列條件的執行

    關于C# if語句中并列條件的執行

    我們知道,當兩個條件進行邏輯與操作的時候,其中任何一個條件為假,則表達式的結果為假。所以,遇到(A 且 B)這種表達式,如果A為假的話,B是不是真假都無所謂了,當遇到一個假條件的時候,程序也就沒有必要去額外的判斷剩下的東西了
    2012-02-02
  • ASP.NET MVC的四種驗證編程方式

    ASP.NET MVC的四種驗證編程方式

    ASP.NET MVC采用Model綁定為目標Action生成了相應的參數列表,但是在真正執行目標Action方法之前,還需要對綁定的參數實施驗證以確保其有效性,我們將針對參數的驗證成為Model綁定,需要的朋友可以參考下
    2015-10-10
  • 使用NLog給Asp.Net Core做請求監控的方法

    使用NLog給Asp.Net Core做請求監控的方法

    這篇文章主要介紹了使用NLog給Asp.Net Core做請求監控的方法,小編覺得挺不錯的,現在分享給大家,也給大家做個參考。一起跟隨小編過來看看吧
    2018-05-05
  • 如何在ASP.NET Core應用程序運行Vue并且部署在IIS上詳解

    如何在ASP.NET Core應用程序運行Vue并且部署在IIS上詳解

    這篇文章主要給大家介紹了關于如何運行Vue在ASP.NET Core應用程序并且部署在IIS上的相關資料,文中通過圖文介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧。
    2017-10-10
  • asp.net中Session緩存與Cache緩存的區別分析

    asp.net中Session緩存與Cache緩存的區別分析

    實現數據的緩存有很多種方法,有客戶端的Cookie,有服務器端的Session和Application
    2013-02-02
  • .net mvc超過了最大請求長度的解決方法

    .net mvc超過了最大請求長度的解決方法

    這篇文章主要為大家詳細介紹了.net mvc超過了最大請求長度的解決方法,限制文件上傳大小,感興趣的小伙伴們可以參考一下
    2016-07-07

最新評論

湖北11选5走势图爱彩乐 手机版股票行情软件 杠杆配资 000416股票行情 如何做一个股票分析师 好股票推荐2018年最有潜力的股票 2019车小将最新消息 股票涨跌怎么算公式 股票交易软件 在线理财平台排名 002435长江润发股票 中国股票配资平台排行榜 12月20号股票推荐 股票代码 恒信金通配资 华金配资 天涯配资