人脸活体检测人脸识别：眨眼+张口

人脸活体检测人脸识别：眨眼+张口 天兰之珠 已于2022-08-25 10:39:46修改 19443 收藏 197 分类专栏： python 文章标签： python 计算机视觉 活体检测 人像识别 dlib 于2022-08-23 16:11:54首次发布 python 专栏收录该内容 5 篇文章 0 订阅 订阅专栏 一：dlib的shape_predictor_68_face_landmarks模型

该模型能够检测人脸的68个特征点（facial landmarks），定位图像中的眼睛，眉毛，鼻子，嘴巴，下颌线（ROI，Region of Interest）

 

下颌线[1,17] 左眼眉毛[18,22] 右眼眉毛[23,27] 鼻梁[28,31] 鼻子[32,36] 左眼[37,42] 右眼[43,48] 上嘴唇外边缘[49,55] 上嘴唇内边缘[66,68] 下嘴唇外边缘[56,60] 下嘴唇内边缘[61,65]

在使用的过程中对应的下标要减1，像数组的下标是从0开始。

二、眨眼检测

基本原理：计算眼睛长宽比 Eye Aspect Ratio，EAR.当人眼睁开时，EAR在某个值上下波动，当人眼闭合时，EAR迅速下降，理论上会接近于零，当时人脸检测模型还没有这么精确。所以我们认为当EAR低于某个阈值时，眼睛处于闭合状态。为检测眨眼次数，需要设置同一次眨眼的连续帧数。眨眼速度比较快，一般1~3帧就完成了眨眼动作。两个阈值都要根据实际情况设置。

 程序实现：

from imutils import face_utils import numpy as np import dlib import cv2 # 眼长宽比例 def eye_aspect_ratio(eye): # (|e1-e5|+|e2-e4|) / (2|e0-e3|) A = np.linalg.norm(eye[1] - eye[5]) B = np.linalg.norm(eye[2] - eye[4]) C = np.linalg.norm(eye[0] - eye[3]) ear = (A + B) / (2.0 * C) return ear # 进行活体检测（包含眨眼和张嘴） def liveness_detection(): vs = cv2.VideoCapture(0) # 调用第一个摄像头的信息 # 眼长宽比例值 EAR_THRESH = 0.15 EAR_CONSEC_FRAMES_MIN = 1 EAR_CONSEC_FRAMES_MAX = 3 # 当EAR小于阈值时，接连多少帧一定发生眨眼动作 # 初始化眨眼的连续帧数 blink_counter = 0 # 初始化眨眼次数总数 blink_total = 0 print("[INFO] loading facial landmark predictor...") # 人脸检测器 detector = dlib.get_frontal_face_detector() # 特征点检测器 predictor = dlib.shape_predictor("model/shape_predictor_68_face_landmarks.dat") # 获取左眼的特征点 (lStart, lEnd) = face_utils.FACIAL_LANDMARKS_IDXS["left_eye"] # 获取右眼的特征点 (rStart, rEnd) = face_utils.FACIAL_LANDMARKS_IDXS["right_eye"] print("[INFO] starting video stream thread...") while True: flag, frame = vs.read() # 返回一帧的数据 if not flag: print("不支持摄像头", flag) break if frame is not None: gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 转成灰度图像 rects = detector(gray, 0) # 人脸检测 # 只能处理一张人脸 if len(rects) == 1: shape = predictor(gray, rects[0]) # 保存68个特征点坐标的<class 'dlib.dlib.full_object_detection'>对象 shape = face_utils.shape_to_np(shape) # 将shape转换为numpy数组，数组中每个元素为特征点坐标 left_eye = shape[lStart:lEnd] # 取出左眼对应的特征点 right_eye = shape[rStart:rEnd] # 取出右眼对应的特征点 left_ear = eye_aspect_ratio(left_eye) # 计算左眼EAR right_ear = eye_aspect_ratio(right_eye) # 计算右眼EAR ear = (left_ear + right_ear) / 2.0 # 求左右眼EAR的均值 left_eye_hull = cv2.convexHull(left_eye) # 寻找左眼轮廓 right_eye_hull = cv2.convexHull(right_eye) # 寻找右眼轮廓 # mouth_hull = cv2.convexHull(mouth) # 寻找嘴巴轮廓 cv2.drawContours(frame, [left_eye_hull], -1, (0, 255, 0), 1) # 绘制左眼轮廓 cv2.drawContours(frame, [right_eye_hull], -1, (0, 255, 0), 1) # 绘制右眼轮廓 # EAR低于阈值，有可能发生眨眼，眨眼连续帧数加一次 if ear < EAR_THRESH: blink_counter += 1 # EAR高于阈值，判断前面连续闭眼帧数，如果在合理范围内，说明发生眨眼 else: if EAR_CONSEC_FRAMES_MIN <= blink_counter <= EAR_CONSEC_FRAMES_MAX: blink_total += 1 blink_counter = 0 cv2.putText(frame, "Blinks: {}".format(blink_total), (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2) cv2.putText(frame, "EAR: {:.2f}".format(ear), (300, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2) elif len(rects) == 0: cv2.putText(frame, "No face!", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2) else: cv2.putText(frame, "More than one face!", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2) cv2.namedWindow("Frame", cv2.WINDOW_NORMAL) cv2.imshow("Frame", frame) # 按下q键退出循环（鼠标要点击一下图片使图片获得焦点） if cv2.waitKey(1) & 0xFF == ord('q'): break cv2.destroyAllWindows() vs.release() liveness_detection()

三、张口检测

检测原理：类似眨眼检测，计算Mouth Aspect Ratio,MAR.当MAR大于设定的阈值时，认为张开了嘴巴。

1：采用的判定是张开后闭合计算一次张嘴动作。

mar     # 嘴长宽比例

MAR_THRESH = 0.2    # 嘴长宽比例值

mouth_status_open   # 初始化张嘴状态为闭嘴

当mar大于设定的比例值表示张开，张开后闭合代表一次张嘴动作

# 通过张、闭来判断一次张嘴动作 if mar > MAR_THRESH: mouth_status_open = 1 else: if mouth_status_open: mouth_total += 1 mouth_status_open = 0 2： 嘴长宽比例的计算 # 嘴长宽比例 def mouth_aspect_ratio(mouth): A = np.linalg.norm(mouth[1] - mouth[7]) # 61, 67 B = np.linalg.norm(mouth[3] - mouth[5]) # 63, 65 C = np.linalg.norm(mouth[0] - mouth[4]) # 60, 64 mar = (A + B) / (2.0 * C) return mar

原本采用嘴唇外边缘来计算，发现嘟嘴也会被判定为张嘴，故才用嘴唇内边缘进行计算，会更加准确。

这里mouth下标的值取决于取的是“mouth”还是“inner_mouth”，由于我要画的轮廓是内嘴，所以我采用的是inner_mouth

(mStart, mEnd) = face_utils.FACIAL_LANDMARKS_IDXS["inner_mouth"]

打开以下方法，进入到源码，可以看到每个特征点对应的下标是不一样的，对应的mouth特征点的下标也是不同的

 （以上的区间包左边代表开始下标，右边值-1）从上面可知mouth是从（48,68），inner_mouth从(60, 68)，mouth包含inner_mouth,如果取得是mouth的值，则嘴长宽比例的计算如下

# 嘴长宽比例 def mouth_aspect_ratio(mouth): # (|m13-m19|+|m15-m17|)/(2|m12-m16|) A = np.linalg.norm(mouth[13] - mouth[19]) # 61, 67 B = np.linalg.norm(mouth[15] - mouth[17]) # 63, 65 C = np.linalg.norm(mouth[12] - mouth[16]) # 60, 64 mar = (A + B) / (2.0 * C) return mar 3：完整程序实现如下 from imutils import face_utils import numpy as np import dlib import cv2 # 嘴长宽比例 def mouth_aspect_ratio(mouth): A = np.linalg.norm(mouth[1] - mouth[7]) # 61, 67 B = np.linalg.norm(mouth[3] - mouth[5]) # 63, 65 C = np.linalg.norm(mouth[0] - mouth[4]) # 60, 64 mar = (A + B) / (2.0 * C) return mar # 进行活体检测（张嘴） def liveness_detection(): vs = cv2.VideoCapture(0) # 调用第一个摄像头的信息 # 嘴长宽比例值 MAR_THRESH = 0.2 # 初始化张嘴次数 mouth_total = 0 # 初始化张嘴状态为闭嘴 mouth_status_open = 0 print("[INFO] loading facial landmark predictor...") # 人脸检测器 detector = dlib.get_frontal_face_detector() # 特征点检测器 predictor = dlib.shape_predictor("model/shape_predictor_68_face_landmarks.dat") # 获取嘴巴特征点 (mStart, mEnd) = face_utils.FACIAL_LANDMARKS_IDXS["inner_mouth"] print("[INFO] starting video stream thread...") while True: flag, frame = vs.read() # 返回一帧的数据 if not flag: print("不支持摄像头", flag) break if frame is not None: # 图片转换成灰色（去除色彩干扰，让图片识别更准确） gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) rects = detector(gray, 0) # 人脸检测 # 只能处理一张人脸 if len(rects) == 1: shape = predictor(gray, rects[0]) # 保存68个特征点坐标的<class 'dlib.dlib.full_object_detection'>对象 shape = face_utils.shape_to_np(shape) # 将shape转换为numpy数组，数组中每个元素为特征点坐标 inner_mouth = shape[mStart:mEnd] # 取出嘴巴对应的特征点 mar = mouth_aspect_ratio(inner_mouth) # 求嘴巴mar的均值 mouth_hull = cv2.convexHull(inner_mouth) # 寻找内嘴巴轮廓 cv2.drawContours(frame, [mouth_hull], -1, (0, 255, 0), 1) # 绘制嘴巴轮廓 # 通过张、闭来判断一次张嘴动作 if mar > MAR_THRESH: mouth_status_open = 1 else: if mouth_status_open: mouth_total += 1 mouth_status_open = 0 cv2.putText(frame, "Mouth: {}".format(mouth_total), (130, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2) cv2.putText(frame, "MAR: {:.2f}".format(mar), (450, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2) elif len(rects) == 0: cv2.putText(frame, "No face!", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2) else: cv2.putText(frame, "More than one face!", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2) cv2.namedWindow("Frame", cv2.WINDOW_NORMAL) cv2.imshow("Frame", frame) # 按下q键退出循环（鼠标要点击一下图片使图片获得焦点） if cv2.waitKey(1) & 0xFF == ord('q'): break cv2.destroyAllWindows() vs.release() liveness_detection() 三：眨眼和张嘴结合（摄像头） from imutils import face_utils import numpy as np import dlib import cv2 # 眼长宽比例 def eye_aspect_ratio(eye): # (|e1-e5|+|e2-e4|) / (2|e0-e3|) A = np.linalg.norm(eye[1] - eye[5]) B = np.linalg.norm(eye[2] - eye[4]) C = np.linalg.norm(eye[0] - eye[3]) ear = (A + B) / (2.0 * C) return ear # 嘴长宽比例 def mouth_aspect_ratio(mouth): A = np.linalg.norm(mouth[1] - mouth[7]) # 61, 67 B = np.linalg.norm(mouth[3] - mouth[5]) # 63, 65 C = np.linalg.norm(mouth[0] - mouth[4]) # 60, 64 mar = (A + B) / (2.0 * C) return mar # 进行活体检测（包含眨眼和张嘴） def liveness_detection(): vs = cv2.VideoCapture(0) # 调用第一个摄像头的信息 # 眼长宽比例值 EAR_THRESH = 0.15 EAR_CONSEC_FRAMES_MIN = 1 EAR_CONSEC_FRAMES_MAX = 5 # 当EAR小于阈值时，接连多少帧一定发生眨眼动作 # 嘴长宽比例值 MAR_THRESH = 0.2 # 初始化眨眼的连续帧数 blink_counter = 0 # 初始化眨眼次数总数 blink_total = 0 # 初始化张嘴次数 mouth_total = 0 # 初始化张嘴状态为闭嘴 mouth_status_open = 0 print("[INFO] loading facial landmark predictor...") # 人脸检测器 detector = dlib.get_frontal_face_detector() # 特征点检测器 predictor = dlib.shape_predictor("model/shape_predictor_68_face_landmarks.dat") # 获取左眼的特征点 (lStart, lEnd) = face_utils.FACIAL_LANDMARKS_IDXS["left_eye"] # 获取右眼的特征点 (rStart, rEnd) = face_utils.FACIAL_LANDMARKS_IDXS["right_eye"] # 获取嘴巴特征点 (mStart, mEnd) = face_utils.FACIAL_LANDMARKS_IDXS["inner_mouth"] print("[INFO] starting video stream thread...") while True: flag, frame = vs.read() # 返回一帧的数据 if not flag: print("不支持摄像头", flag) break if frame is not None: # 图片转换成灰色（去除色彩干扰，让图片识别更准确） gray = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) rects = detector(gray, 0) # 人脸检测 # 只能处理一张人脸 if len(rects) == 1: shape = predictor(gray, rects[0]) # 保存68个特征点坐标的<class 'dlib.dlib.full_object_detection'>对象 shape = face_utils.shape_to_np(shape) # 将shape转换为numpy数组，数组中每个元素为特征点坐标 left_eye = shape[lStart:lEnd] # 取出左眼对应的特征点 right_eye = shape[rStart:rEnd] # 取出右眼对应的特征点 left_ear = eye_aspect_ratio(left_eye) # 计算左眼EAR right_ear = eye_aspect_ratio(right_eye) # 计算右眼EAR ear = (left_ear + right_ear) / 2.0 # 求左右眼EAR的均值 inner_mouth = shape[mStart:mEnd] # 取出嘴巴对应的特征点 mar = mouth_aspect_ratio(inner_mouth) # 求嘴巴mar的均值 left_eye_hull = cv2.convexHull(left_eye) # 寻找左眼轮廓 right_eye_hull = cv2.convexHull(right_eye) # 寻找右眼轮廓 mouth_hull = cv2.convexHull(inner_mouth) # 寻找内嘴巴轮廓 cv2.drawContours(frame, [left_eye_hull], -1, (0, 255, 0), 1) # 绘制左眼轮廓 cv2.drawContours(frame, [right_eye_hull], -1, (0, 255, 0), 1) # 绘制右眼轮廓 cv2.drawContours(frame, [mouth_hull], -1, (0, 255, 0), 1) # 绘制嘴巴轮廓 # EAR低于阈值，有可能发生眨眼，眨眼连续帧数加一次 if ear < EAR_THRESH: blink_counter += 1 # EAR高于阈值，判断前面连续闭眼帧数，如果在合理范围内，说明发生眨眼 else: # if the eyes were closed for a sufficient number of # then increment the total number of blinks if EAR_CONSEC_FRAMES_MIN <= blink_counter <= EAR_CONSEC_FRAMES_MAX: blink_total += 1 blink_counter = 0 # 通过张、闭来判断一次张嘴动作 if mar > MAR_THRESH: mouth_status_open = 1 else: if mouth_status_open: mouth_total += 1 mouth_status_open = 0 cv2.putText(frame, "Blinks: {}".format(blink_total), (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2) cv2.putText(frame, "Mouth: {}".format(mouth_total), (130, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2) cv2.putText(frame, "EAR: {:.2f}".format(ear), (300, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2) cv2.putText(frame, "MAR: {:.2f}".format(mar), (450, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2) elif len(rects) == 0: cv2.putText(frame, "No face!", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2) else: cv2.putText(frame, "More than one face!", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2) cv2.namedWindow("Frame", cv2.WINDOW_NORMAL) cv2.imshow("Frame", frame) # 按下q键退出循环（鼠标要点击一下图片使图片获得焦点） if cv2.waitKey(1) & 0xFF == ord('q'): break cv2.destroyAllWindows() vs.release() # 调用摄像头进行张嘴眨眼活体检测 liveness_detection() 四：采用视频进行活体检测

最大的区别是原来通过摄像头获取一帧一帧的视频流进行判断，现在是通过视频获取一帧一帧的视频流进行判断

1：先看下获取摄像头的图像信息  # -*-coding:GBK -*- import cv2 from PIL import Image, ImageDraw import numpy as np # 1.调用摄像头 # 2.读取摄像头图像信息 # 3.在图像上添加文字信息 # 4.保存图像 cap = cv2.VideoCapture(0) # 调用第一个摄像头信息 while True: flag, frame = cap.read() # 返回一帧的数据 # #返回值：flag：bool值：True：读取到图片，False：没有读取到图片 frame：一帧的图片 # BGR是cv2 的图像保存格式，RGB是PIL的图像保存格式，在转换时需要做格式上的转换 img_PIL = Image.fromarray(cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)) draw = ImageDraw.Draw(img_PIL) draw.text((100, 100), 'press q to exit', fill=(255, 255, 255)) # 将frame对象转换成cv2的格式 frame = cv2.cvtColor(np.array(img_PIL), cv2.COLOR_RGB2BGR) cv2.imshow('capture', frame) if cv2.waitKey(1) & 0xFF == ord('q'): cv2.imwrite('images/out.jpg', frame) break cap.release() 2：获取视频的图像信息  # -*-coding:GBK -*- import cv2 from PIL import Image, ImageDraw import numpy as np # 1.调用摄像头 # 2.读取摄像头图像信息 # 3.在图像上添加文字信息 # 4.保存图像 cap = cv2.VideoCapture(r'video\face13.mp4') # 调用第一个摄像头信息 while True: flag, frame = cap.read() # 返回一帧的数据 if not flag: break if frame is not None: # BGR是cv2 的图像保存格式，RGB是PIL的图像保存格式，在转换时需要做格式上的转换 img_PIL = Image.fromarray(cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)) draw = ImageDraw.Draw(img_PIL) draw.text((100, 100), 'press q to exit', fill=(255, 255, 255)) # # 将frame对象转换成cv2的格式 frame = cv2.cvtColor(np.array(img_PIL), cv2.COLOR_RGB2BGR) cv2.imshow('capture', frame) if cv2.waitKey(1) & 0xFF == ord('q'): cv2.imwrite('images/out.jpg', frame) break cv2.destroyAllWindows() cap.release() 五：视频进行人脸识别和活体检测 1：原理

计算当出现1次眨眼或1次张嘴就判断为活人，记录下一帧的人脸图片，和要判定的人员图片进行比对，获取比对后的相似度，进行判断是否是同一个人，为了增加判断的速度，才用2帧进行一次活体检测判断。

2：代码实现 import face_recognition from imutils import face_utils import numpy as np import dlib import cv2 import sys # 初始化眨眼次数 blink_total = 0 # 初始化张嘴次数 mouth_total = 0 # 设置图片存储路径 pic_path = r'images\viode_face.jpg' # 图片数量 pic_total = 0 # 初始化眨眼的连续帧数以及总的眨眼次数 blink_counter = 0 # 初始化张嘴状态为闭嘴 mouth_status_open = 0 def getFaceEncoding(src): image = face_recognition.load_image_file(src) # 加载人脸图片 # 获取图片人脸定位[(top,right,bottom,left )] face_locations = face_recognition.face_locations(image) img_ = image[face_locations[0][0]:face_locations[0][2], face_locations[0][3]:face_locations[0][1]] img_ = cv2.cvtColor(img_, cv2.COLOR_BGR2RGB) # display(img_) face_encoding = face_recognition.face_encodings(image, face_locations)[0] # 对人脸图片进行编码 return face_encoding def simcos(a, b): a = np.array(a) b = np.array(b) dist = np.linalg.norm(a - b) # 二范数 sim = 1.0 / (1.0 + dist) # return sim # 提供对外比对的接口 返回比对的相似度 def comparison(face_src1, face_src2): xl1 = getFaceEncoding(face_src1) xl2 = getFaceEncoding(face_src2) value = simcos(xl1, xl2) print(value) # 眼长宽比例 def eye_aspect_ratio(eye): # (|e1-e5|+|e2-e4|) / (2|e0-e3|) A = np.linalg.norm(eye[1] - eye[5]) B = np.linalg.norm(eye[2] - eye[4]) C = np.linalg.norm(eye[0] - eye[3]) ear = (A + B) / (2.0 * C) return ear # 嘴长宽比例 def mouth_aspect_ratio(mouth): A = np.linalg.norm(mouth[1] - mouth[7]) # 61, 67 B = np.linalg.norm(mouth[3] - mouth[5]) # 63, 65 C = np.linalg.norm(mouth[0] - mouth[4]) # 60, 64 mar = (A + B) / (2.0 * C) return mar # 进行活体检测（包含眨眼和张嘴） # filePath 视频路径 def liveness_detection(): global blink_total # 使用global声明blink_total，在函数中就可以修改全局变量的值 global mouth_total global pic_total global blink_counter global mouth_status_open # 眼长宽比例值 EAR_THRESH = 0.15 EAR_CONSEC_FRAMES_MIN = 1 EAR_CONSEC_FRAMES_MAX = 5 # 当EAR小于阈值时，接连多少帧一定发生眨眼动作 # 嘴长宽比例值 MAR_THRESH = 0.2 # 人脸检测器 detector = dlib.get_frontal_face_detector() # 特征点检测器 predictor = dlib.shape_predictor("model/shape_predictor_68_face_landmarks.dat") # 获取左眼的特征点 (lStart, lEnd) = face_utils.FACIAL_LANDMARKS_IDXS["left_eye"] # 获取右眼的特征点 (rStart, rEnd) = face_utils.FACIAL_LANDMARKS_IDXS["right_eye"] # 获取嘴巴特征点 (mStart, mEnd) = face_utils.FACIAL_LANDMARKS_IDXS["inner_mouth"] vs = cv2.VideoCapture(video_path) # 总帧数(frames) frames = vs.get(cv2.CAP_PROP_FRAME_COUNT) frames_total = int(frames) for i in range(frames_total): ok, frame = vs.read(i) # 读取视频流的一帧 if not ok: break if frame is not None and i % 2 == 0: # 图片转换成灰色（去除色彩干扰，让图片识别更准确） gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) rects = detector(gray, 0) # 人脸检测 # 只能处理一张人脸 if len(rects) == 1: if pic_total == 0: cv2.imwrite(pic_path, frame) # 存储为图像,保存名为 文件夹名_数字（第几个文件）.jpg cv2.waitKey(1) pic_total += 1 shape = predictor(gray, rects[0]) # 保存68个特征点坐标的<class 'dlib.dlib.full_object_detection'>对象 shape = face_utils.shape_to_np(shape) # 将shape转换为numpy数组，数组中每个元素为特征点坐标 left_eye = shape[lStart:lEnd] # 取出左眼对应的特征点 right_eye = shape[rStart:rEnd] # 取出右眼对应的特征点 left_ear = eye_aspect_ratio(left_eye) # 计算左眼EAR right_ear = eye_aspect_ratio(right_eye) # 计算右眼EAR ear = (left_ear + right_ear) / 2.0 # 求左右眼EAR的均值 mouth = shape[mStart:mEnd] # 取出嘴巴对应的特征点 mar = mouth_aspect_ratio(mouth) # 求嘴巴mar的均值 # EAR低于阈值，有可能发生眨眼，眨眼连续帧数加一次 if ear < EAR_THRESH: blink_counter += 1 # EAR高于阈值，判断前面连续闭眼帧数，如果在合理范围内，说明发生眨眼 else: if EAR_CONSEC_FRAMES_MIN <= blink_counter <= EAR_CONSEC_FRAMES_MAX: blink_total += 1 blink_counter = 0 # 通过张、闭来判断一次张嘴动作 if mar > MAR_THRESH: mouth_status_open = 1 else: if mouth_status_open: mouth_total += 1 mouth_status_open = 0 elif len(rects) == 0 and i == 90: print("No face!") break elif len(rects) > 1: print("More than one face!") # 判断眨眼次数大于2、张嘴次数大于1则为活体,退出循环 if blink_total >= 1 or mouth_total >= 1: break cv2.destroyAllWindows() vs.release() # video_path, src = sys.argv[1], sys.argv[2] video_path = r'video\face13.mp4' # 输入的video文件夹位置 # src = r'C:\Users\666\Desktop\zz5.jpg' liveness_detection() print("眨眼次数》》", blink_total) print("张嘴次数》》", mouth_total) # comparison(pic_path, src) 六：涉及到的代码

代码包含face_recognition库所有功能的用例，和上面涉及到的dilb库进行人脸识别的所有代码

使用dilb、face_recognition库实现，眨眼+张嘴的活体检测、和人脸识别功能。包含摄像头和视频-Python文档类资源-CSDN下载

参考：

使用dlib人脸检测模型进行人脸活体检测：眨眼+张口_Lee_01的博客-CSDN博客

python dlib学习（十一）：眨眼检测_hongbin_xu的博客-CSDN博客_眨眼检测算法       

Python开发系统实战项目：人脸识别门禁监控系统_闭关修炼——暂退的博客-CSDN博客_face_encodings