在观看电视剧时，我注意到一个有趣的功能，即在每个场景中显示演员姓名。我受到启发，使用 AI 技术开发了自己的解决方案，以实现相同的功能。

方法很简单：它使用人脸检测来提取演员的脸部，然后进行人脸识别来预测演员的名字。我使用 FaceNet 模型进行人脸检测和嵌入。

对于人脸识别部分，我通过了少样本学习来嵌入一些演员的脸部。有关更多信息，你可以阅读我之前的文章通过少样本学习释放图像分类的潜力。

在本文中，我选择了 Prime Video 平台上的韩剧《嫁给我的丈夫》来向你展示这个过程：

1、准备支持集

在此步骤中，我为剧中的所有演员准备了裁剪后的脸部图像，每个演员仅使用 5 张图片。

所有演员的姓名

2、从 YouTube 下载视频

为了进行此演示，我使用Python 库 pytube 下载视频片段：

pip install pytubefix

下载视频的代码：

import os
from pytubefix import YouTube
from pytubefix.cli import on_progress


def download_video(video_link: str, downloaded_video_path: str):
    yt = YouTube(video_link, on_progress_callback=on_progress)
    ys = yt.streams.get_highest_resolution()


    if not os.path.exists(downloaded_video_path):
      os.makedirs(downloaded_video_path)

    ys.download(downloaded_video_path)

3、将支持集中的人脸嵌入到向量中

我使用 FaceNet 模型，使用 keras-facenet 库从演员的面部中提取特征：

pip install keras-facenet

模型初始化：

from keras_facenet import FaceNet

embedder = FaceNet()

预处理图像和嵌入：

import os
import numpy as np
from typing import Tuple, List


# Source: https://dev.to/abhinowww/how-to-build-a-face-recognition-system-using-facenet-in-python-27kh
def preprocess(image: np.array) -> np.array:
    image = cv2.resize(image, (160, 160))
    image = np.expand_dims(image, axis=0)
    return image


def get_support_set_vector(support_set_dir: str) -> Tuple[np.array, List[str]]:
    actor_names = []
    support_set_vectors = []

    for actor_name in os.listdir(support_set_dir):
        actor_names.append(actor_name)
        actor_dir = os.path.join(support_set_dir, actor_name)
        actor_features = []

        for image_file in os.listdir(actor_dir):
            image = cv2.imread(os.path.join(actor_dir, image_file))
            image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
            image = preprocess(image)
            feature = embedder.embeddings(image)
            actor_features.append(feature[0])

        support_set_vectors.append(np.mean(actor_features, axis=0))
    return np.array(support_set_vectors), actor_names


support_set_vectors, actor_names = get_support_set_vector("./support_sets")

4、欧几里得距离

为了比较目标人脸与支持集中的人脸之间的相似度，我采用欧几里得距离：

def calculate_query_distance(
  query_vector: np.array, 
  support_set_vectors: np.array
) -> float:
  distances = np.linalg.norm(support_set_vectors - query_vector, axis=1)
  return distances

5、检测并识别演员

整合在一起，下面的代码检测视频中的人脸并识别是哪位演员：

video_path = os.path.join(
  downloaded_video_path, 
  os.listdir(downloaded_video_path)[0]
)
video_capture = cv2.VideoCapture(video_path)


detection_threshold = 0.75

# Define font
font = cv2.FONT_HERSHEY_DUPLEX
font_scale = 0.5
font_color = (255, 255, 255)
font_thickness = 1

output_frames = []
success = True

while success:
  success, image = video_capture.read()

  if image is None:
    continue

  detections = embedder.extract(image, threshold=detection_threshold)

  position = (10, 30)
  y_offset = 0 

  for det in detections:
      bbox = det["box"]
      x1 = bbox[0]
      y1 = bbox[1]
      x2 = bbox[0] + bbox[2]
      y2 = bbox[1] + bbox[3]

      face = image[y1:y2, x1:x2, :]
      face = preprocess(face)
      face_feature = embedder.embeddings(face)

      distances = calculate_query_distance(face_feature[0], support_set_vectors)
      most_similar_indices = np.argsort(distances)
      actor_name = actor_names[most_similar_indices[0]]

      cv2.putText(
          image, 
          actor_name, 
          (position[0], position[1] + y_offset), 
          font, 
          font_scale, 
          font_color, 
          font_thickness, 
          lineType=cv2.LINE_AA
       )
      y_offset += int(40 * font_scale)
  
  output_frames.append(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))

6、视频叠加识别结果

为了将结果与原始视频相结合，我使用了 MoviePy 库：

pip install moviepy

创建最终视频。注意：这代码是由 ChatGPT 生成的。

import moviepy.editor as mp
from moviepy.video.io.VideoFileClip import VideoFileClip


# Load the original video and extract audio
original_video = VideoFileClip(video_path)
audio = original_video.audio
fps = original_video.fps

# Create a video from annotated frames
annotated_clip = mp.ImageSequenceClip(output_frames, fps=fps)
annotated_clip = annotated_clip.set_audio(audio)  # Add the original audio

# Export the final video
annotated_clip.write_videofile(
  "/content/output_with_actor_name.mp4", 
  codec="libx264", 
  fps=fps, 
  audio_codec="aac"
)

以下是最终输出的示例：

原文链接：影视场景中的演员识别 - 汇智网