基于python的人脸识别活体检测代码

对于人脸识别活体检测，我们需要使用深度学习框架来实现。这里我们使用Python语言和OpenCV库，以及face_recognition和dlib库来实现。

首先，我们需要安装相关的库，可以使用以下命令：

pip install opencv-python
pip install face_recognition
pip install dlib

然后我们编写代码：

import cv2
import face_recognition
import dlib

# 加载人脸检测器和68个关键点检测器
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")

# 加载模型
model = cv2.dnn.readNetFromCaffe("deploy.prototxt.txt", "res10_300x300_ssd_iter_140000.caffemodel")

# 打开摄像头
cap = cv2.VideoCapture(0)

while True:
    # 读取摄像头的帧
    ret, frame = cap.read()

    # 缩放帧的大小，提高检测速度
    small_frame = cv2.resize(frame, (0, 0), fx=0.25, fy=0.25)

    # 将图像从BGR颜色空间转换为RGB颜色空间
    rgb_small_frame = small_frame[:, :, ::-1]

    # 检测人脸位置
    faces = detector(rgb_small_frame, 0)

    # 遍历每个人脸
    for face in faces:
        # 将人脸区域的坐标位置放大4倍
        top = face.top() * 4
        right = face.right() * 4
        bottom = face.bottom() * 4
        left = face.left() * 4

        # 提取人脸区域
        face_image = frame[top:bottom, left:right]

        # 进行活体检测
        # 将图像大小调整为300x300，并进行预处理
        blob = cv2.dnn.blobFromImage(cv2.resize(face_image, (300, 300)), 1.0, (300, 300), (104.0, 177.0, 123.0))

        # 将blob送入模型中进行预测
        model.setInput(blob)
        detections = model.forward()

        # 遍历预测结果
        for i in range(0, detections.shape[2]):
            # 提取预测的置信度
            confidence = detections[0, 0, i, 2]

            # 如果置信度大于0.5，则认为是人脸
            if confidence > 0.5:
                # 计算人脸区域的坐标位置
                box = detections[0, 0, i, 3:7] * np.array([right - left, bottom - top, right - left, bottom - top])
                (startX, startY, endX, endY) = box.astype("int")

                # 提取人脸区域
                face_image = frame[top+startY:top+endY, left+startX:left+endX]

                # 进行人脸识别
                face_encoding = face_recognition.face_encodings(face_image, [(top+startY, left+startX, bottom+startY, right+startX)])[0]

                # 绘制人脸区域和关键点
                cv2.rectangle(frame, (left, top), (right, bottom), (0, 255, 0), 2)
                landmarks = predictor(dlib.rectangle(left, top, right, bottom))
                for n in range(0, 68):
                    x = landmarks.part(n).x
                    y = landmarks.part(n).y
                    cv2.circle(frame, (x, y), 1, (0, 0, 255), -1)

                # 显示结果
                cv2.imshow("Frame", frame)
                cv2.waitKey(1)

# 释放资源
cap.release()
cv2.destroyAllWindows()

其中，我们使用了一个预训练的深度学习模型来进行人脸检测，使用了face_recognition库来进行人脸识别，使用了dlib库来进行关键点检测。在代码中，我们还进行了活体检测，以确保识别到的人脸是真实的。最后，我们使用OpenCV库来展示识别的结果。