### 使用Python3和TensorFlow实现人脸识别的小程序项目源码 #### 1. 环境配置 为了构建基于Python3和TensorFlow的人脸识别小程序，首先需要安装必要的依赖库。这通常包括但不限于： - **TensorFlow**: 主要用于加载预训练模型并执行推理操作。 - **OpenCV**: 处理图像输入以及捕获视频流。 - **Flask/Django**: 构建Web API接口以便前端调用。 ```bash pip install tensorflow opencv-python flask ``` #### 2. 数据准备与处理 在实际应用中，往往需要先收集一定数量的脸部图片作为训练集或测试集。对于本案例而言，则更侧重于如何利用已有的深度学习模型来进行实时的人脸检测[^2]。 #### 3. 加载预训练模型 这里假设已经有了一个经过良好训练的人脸检测模型文件（如`.pb`格式），可以直接通过TensorFlow读取该模型，并定义好相应的输入输出节点名称。 ```python import tensorflow as tf def load_model(model_path): detection_graph = tf.Graph() with detection_graph.as_default(): od_graph_def = tf.compat.v1.GraphDef() with tf.io.gfile.GFile(model_path, 'rb') as fid: serialized_graph = fid.read() od_graph_def.ParseFromString(serialized_graph) tf.import_graph_def(od_graph_def, name='') return detection_graph ``` #### 4. 实现人脸检测功能 接下来就是编写核心逻辑——即从摄像头获取帧数据、传递给上述提到的神经网络进行预测、最后将结果显示出来。这部分可以放在循环里不断重复直到用户主动停止程序运行为止。 ```python import cv2 from PIL import Image import numpy as np class FaceDetector(object): def __init__(self, model_path): self.detection_graph = load_model(model_path) def detect_faces(self, image_np_expanded): with self.detection_graph.as_default(): sess = tf.compat.v1.Session(graph=self.detection_graph) # 定义输入输出张量 (这些名字应该对应到具体使用的模型上) image_tensor = self.detection_graph.get_tensor_by_name('image_tensor:0') boxes = self.detection_graph.get_tensor_by_name('detection_boxes:0') scores = self.detection_graph.get_tensor_by_name('detection_scores:0') classes = self.detection_graph.get_tensor_by_name('detection_classes:0') num_detections = self.detection_graph.get_tensor_by_name('num_detections:0') # 执行检测过程 (boxes, scores, classes, num) = sess.run( [boxes, scores, classes, num_detections], feed_dict={image_tensor: image_np_expanded}) return boxes, scores, classes, num if __name__ == '__main__': cap = cv2.VideoCapture(0) detector = FaceDetector('./frozen_inference_graph.pb') while True: ret, frame = cap.read() if not ret: break img_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) img_pil = Image.fromarray(img_rgb) width, height = img_pil.size image_np = np.array(img_pil).reshape((height, width, 3)).astype(np.uint8) image_np_expanded = np.expand_dims(image_np, axis=0) boxes, scores, _, _ = detector.detect_faces(image_np_expanded) for i in range(len(scores)): score = float(scores[i]) box = tuple([int(x * size) for x, size in zip(boxes[i], [height, width, height, width])]) if score >= 0.5: ymin, xmin, ymax, xmax = box cv2.rectangle(frame, (xmin, ymin), (xmax, ymax), (0, 255, 0), 2) cv2.imshow('Face Detection', frame) key = cv2.waitKey(1) & 0xFF if key == ord("q"): break cap.release() cv2.destroyAllWindows() ``` 这段代码展示了一个人脸检测系统的简化版本，它能够打开设备默认摄像机采集画面，在每一帧内查找可能存在的人脸区域，并画框标注出来。需要注意的是，这里的阈值设置为0.5意味着只有当置信度超过这个数值时才会认为是有效的人脸目标；另外由于采用了非阻塞的方式刷新窗口显示所以可以通过按键盘上的'Q'键随时退出应用程序。