Clever Geek Handbook

在Vkontakte的照片中创建用于面部识别的神经网络





本文将介绍创建用于面部识别的神经网络的经验，该网络用于对VK对话中的所有照片进行排序以找到特定的人。没有编写神经网络的经验，并且对Python的了解很少。



介绍



我们有一个朋友，名字叫谢尔盖（Sergei），他喜欢用一种不寻常的方式给自己拍照并进行对话，并且还用公司的短语添加这些照片。因此，在不和谐事件的一个晚上，我们有了一个主意-在VK中创建一个公众，我们可以在这里发布Sergey及其报价。延期的前10个帖子很简单，但随后很明显，用手交谈不需讨论所有附件。因此，决定编写一个神经网络来自动化该过程。



计划



  1. 获取对话中照片的链接
  2. 下载照片
  3. 编写神经网络


开始开发之前
, Python pip. , 0, ,


1.获取照片链接



因此，我们希望从对话中获取所有照片，messages.getHistoryAttachments方法适合我们，它返回对话或对话的材料。
自2019年2月15日起，Vkontakte拒绝访问未通过审核的应用程序的消息。作为解决方法，我建议使用vkhost，它可以帮助您从第三方Messenger中获取令牌。


使用vkhost上收到的令牌，我们可以使用Postman收集所需的API请求。当然，您可以不用它就用笔填充所有内容，但为清楚起见，我们将使用它。填写







参数：

  • peer_id-目标标识符
    对于对话：2,000,000,000 +对话ID（可以在地址栏中看到）。

    对于用户：用户ID。
  • media_type-媒体类型
    在我们的情况下，照片
  • start_from-选择多个项目的偏移量。
    让我们暂时将其留空。
  • count-接收到的对象数
    最多200，这就是我们将使用的数量
  • photo_sizes-标记以返回数组中的所有大小
    1或0。我们使用1
  • reserve_order-指示是否应按原始顺序返回附件的标志
    1或0。我们使用1
  • v-vk API版本
    1或0。我们使用1


邮递员中的填写字段







转到编写代码

为了方便起见，所有代码都将分成几个单独的脚本。


如果对话/对话中的照片少于200张， 将使用json模块（用于解码数据）和请求库（用于发出http请求）



代码清单 



import json
import requests

val = 1 #   

Fin = open("input.txt","a") #     
#  GET   API     response
response = requests.get("https://api.vk.com/method/messages.getHistoryAttachments?peer_id=2000000078&media_type=photo&start_from=&count=10&photo_size=1&preserve_order=1&max_forwards_level=45&v=5.103&access_token=_")
items = json.loads(response.text) #       JSON

#    GET            ,    

for item in items['response']['items']: #   items
    link = item['attachment']['photo']['sizes'][-1]['url'] #    ,      
    print(val,':',link) #       
    Fin.write(str(link)+"\n") #     
    val += 1 #


如果有200张以上的照片 



import json
import requests

next = None #       
def newfunc():
    val = 1 #   
    global next
    Fin = open("input.txt","a") #     
    #  GET   API     response
    response = requests.get(f"https://api.vk.com/method/messages.getHistoryAttachments?peer_id=2000000078&media_type=photo&start_from={next}&count=200&photo_size=1&preserve_order=1&max_forwards_level=44&v=5.103&access_token=_")
    items = json.loads(response.text) #       JSON

    if items['response']['items'] != []: #     
        for item in items['response']['items']: #   items
            link = item['attachment']['photo']['sizes'][-1]['url'] #    ,      
            print(val,':',link) #   
            val += 1 #   
            Fin.write(str(link)+"\n") #     
        next = items['response']['next_from'] #      
        print('dd',items['response']['next_from'])
        newfunc() #  
    else: #    
        print("  ")

newfunc()


是时候下载链接了



2.下载图像



要下载照片，我们使用urllib库 



import urllib.request

f = open('input.txt') #    

val = 1 #   
for line in f: #   
    line = line.rstrip('\n')
    #     "img"
    urllib.request.urlretrieve(line, f"img/{val}.jpg")
    print(val,':','') #      
    val += 1 #  
print("")


下载所有图像的过程并不是最快的，特别是如果照片是8330。这种情况下也需要空间，如果照片的数量与我的相同或更多，我建议为此释放1.5-2 GB的







工作。有趣-编写神经网络



3.编写神经网络



在浏览了许多不同的库和选项之后，决定使用人脸识别库





它能做什么？



从文档中考虑



照片中搜索人脸的最基本特征

可能会在照片中找到任意数量的人，即使是







对单张照片进行模糊识别

也可以







为我们识别照片中人的身份，最合适的方法就是识别人



训练



在库的要求中，需要使用Python 3.3+或Python 2.7，

对于库，上述人脸识别和PIL将用于处理图像。



Windows上不正式支持人脸识别库，但对我有用。一切均可在macOS和Linux上稳定运行。




发生了什么的解释



首先，我们需要设置一个分类器以搜索某个人，通过该人可以对照片进行进一步的验证。

我建议您在正面视图中选择尽可能清晰的人物照片。
上传照片时，图库会将图像分解为一个人的面部特征（鼻子，眼睛，嘴巴和下巴的坐标）







。那么事情就很小了，剩下的就是对我们想要与分类器进行比较的照片应用类似的方法。然后我们让神经网络通过坐标比较面部特征。



好吧，实际的代码本身： 



import face_recognition
from PIL import Image #     

find_face = face_recognition.load_image_file("face/sergey.jpg") #    
face_encoding = face_recognition.face_encodings(find_face)[0] #    ,      

i = 0 #   
done = 0 #  
numFiles = 8330 #   - 
while i != numFiles:
    i += 1 #    
    unknown_picture = face_recognition.load_image_file(f"img/{i}.jpg") #   
    unknown_face_encoding = face_recognition.face_encodings(unknown_picture) #    

    pil_image = Image.fromarray(unknown_picture) #    

    #     
    if len(unknown_face_encoding) > 0: #   
        encoding = unknown_face_encoding[0] #   0 ,  
        results = face_recognition.compare_faces([face_encoding], encoding) #  

        if results[0] == True: #   
            done += 1 #    
            print(i,"-","   !")
            pil_image.save(f"done/{int(done)}.jpg") #     
        else: #    
            print(i,"-","   !")
    else: #    
        print(i,"-","  !")


也可以通过对视频卡进行深入分析来运行所有内容，为此，您需要添加model =“ cnn”参数并更改我们要搜索合适人物的图像的代码片段： 



    unknown_picture = face_recognition.load_image_file(f"img/{i}.jpg") #   
    face_locations = face_recognition.face_locations(unknown_picture, model= "cnn") #   GPU
    unknown_face_encoding = face_recognition.face_encodings(unknown_picture) #


结果



没有GPU。到时候，神经网络又通过和整理8330倍的照片在1小时40分钟，并在同一时间发现了142张照片，62人有期望的人的形象。当然，对模因和其他人也存在误报。



C GPU。处理时间花费了更多的时间（17小时22分钟），我发现230张照片，其中99张是我们需要的人。



总而言之，我们可以说这项工作没有白费。我们已对8330张照片进行了自动排序，这比



您自己对它进行排序要好得多。您还可以从github下载整个源代码


More articles:


All Articles