0 Предисловие
Использование разработки Python, использование библиотеки Dlib для захвата лица в камере, извлечения черт лица и сравнения с предварительно сохраненными чертами лица путем вычисления евклидова расстояния для достижения цели распознавания лиц;
Он может автоматически извлекать изображения лиц с камеры и сохранять их локально;
Извлеките значение признака 128D в соответствии с извлеченными/существующими изображениями нескольких лиц одного и того же человека, а затем рассчитайте среднее значение признака 128D человека;
Затем вычислите евклидово расстояние с собственными значениями, извлеченными из лица, полученными в режиме реального времени с камеры, чтобы определить, является ли это одним и тем же лицом;
распознавание лицаинструкция:
википедия осистема распознавания лицописание:they work by comparing selected facial features from given image with faces within a database.
В этом проекте сравнениеПредустановленные черты лицаиЧерты лица, полученные камерой в режиме реального времени;
ЯдроИзвлеките функции лица 128D, а затем рассчитайте функции лица камеры и предустановленное собственное лицо.Евклидово расстояние,сравнивать;
Эффект следующий (камера распознает, что я лицо по умолчанию для default_person / другой человек не является лицом по умолчанию и отображает разницу):
Рис. 1. Эффект распознавания лиц камерой в формате gif.
1. Общий процесс
Скажи это первымраспознавание лицираспознавание лица, первое предназначено для достижения цели обнаружения лица в сцене, в то время как второе необходимо не только обнаружить лицо, но иСравните существующие данные о лицах, определить, находится ли он в базе данных, или выполнить обработку, такую как маркировка личности, обнаружение лица и распознавание лица, иногда могут быть перепутаны;
Некоторые из моих предыдущих проектов использовали dlib для обнаружения лиц.Функция, которую этот проект хочет реализовать, — это функция распознавания лиц, которая использует подпрограмму face_recognition.py на официальном сайте dlib (ссылка:spree.net/face_Горячая еда, домашняя...);
Суть в том, чтобы использовать модель "dlib_face_recognition_resnet_model_v1.dat" для извлечения128D особенности изображения лица, а затем сравните характеристики 128D разных изображений лиц и установите пороговое значениеВычислить евклидово расстояниесудить, является ли это одним и тем же лицом;
1 # face recognition model, the object maps human faces into 128D vectors
2 facerec = dlib.face_recognition_model_v1("dlib_face_recognition_resnet_model_v1.dat")
3
4 shape = predictor(img, dets[0])
5 face_descriptor = facerec.compute_face_descriptor(img, shape)
Рис. 2 Общий процесс проектирования
2. Введение исходного кода
Есть get_face_from_camera.py , get_features_into_CSV.pyи face_reco_from_camera.py Эти три файла py;
2.1 get_face_from_camera.py/Собрать и создать данные о лицах XXX
Распознавание лиц должно извлекать данные изображения исуществующие данные изображенияСравните и проанализируйте, поэтому функция, реализованная этим файлом py,Соберите данные о лицах для построения XXX;
Программа сгенерирует окно для отображения изображения в реальном времени, полученного вызываемой камерой (метод вызова камеры см. в другом моем блогеБлог Woohoo.cn на.com/Adamin X IE/Afraid…);
Нажмите клавишу s, чтобы сохранить изображение лица в текущем видеопотоке, а сохраненный путь задается path_save = «xxxx/get_from_camera/»;
Нажмите клавишу q, чтобы выйти из окна;
Вызов камеры заключается в использовании библиотеки opencvcv2.VideoCapture(0), Параметр здесь равен 0, что означает, что вызывается камера ноутбука по умолчанию.Вы также можете сделать так, чтобы она вызывала и передала существующий видеофайл;
Рис. 3 Интерфейс get_face_from_camera.py
Таким образом, вы можете получить набор захваченных лиц в каталоге, указанном в path_save;
Рис. 4 Набор захваченных лиц
Исходный код выглядит следующим образом:
1 # 2018-5-11
2 # By TimeStamp
3 # cnblogs: http://www.cnblogs.com/AdaminXie
4
5 import dlib # 人脸识别的库dlib
6 import numpy as np # 数据处理的库numpy
7 import cv2 # 图像处理的库OpenCv
8
9 # dlib预测器
10 detector = dlib.get_frontal_face_detector()
11 predictor = dlib.shape_predictor('shape_predictor_68_face_landmarks.dat')
12
13 # 创建cv2摄像头对象
14 cap = cv2.VideoCapture(0)
15
16 # cap.set(propId, value)
17 # 设置视频参数，propId设置的视频参数，value设置的参数值
18 cap.set(3, 480)
19
20 # 截图screenshoot的计数器
21 cnt_ss = 0
22
23 # 人脸截图的计数器
24 cnt_p = 0
25
26 # 保存
27 path_save = "F:/code/python/P_dlib_face_reco/data/get_from_camera/"
28
29 # cap.isOpened（） 返回true/false 检查初始化是否成功
30 while cap.isOpened():
31
32 # cap.read()
33 # 返回两个值：
34 # 一个布尔值true/false，用来判断读取视频是否成功/是否到视频末尾
35 # 图像对象，图像的三维矩阵q
36 flag, im_rd = cap.read()
37
38 # 每帧数据延时1ms，延时为0读取的是静态帧
39 kk = cv2.waitKey(1)
40
41 # 取灰度
42 img_gray = cv2.cvtColor(im_rd, cv2.COLOR_RGB2GRAY)
43
44 # 人脸数rects
45 rects = detector(img_gray, 0)
46
47 # print(len(rects))
48
49 # 待会要写的字体
50 font = cv2.FONT_HERSHEY_SIMPLEX
51
52 if (len(rects) != 0):
53 # 检测到人脸
54
55 # 矩形框
56 for k, d in enumerate(rects):
57
58 # 计算矩形大小
59 # (x,y), (宽度width, 高度height)
60 pos_start = tuple([d.left(), d.top()])
61 pos_end = tuple([d.right(), d.bottom()])
62
63 # 计算矩形框大小
64 height = d.bottom() - d.top()
65 width = d.right() - d.left()
66
67 # 根据人脸大小生成空的图像
68 im_blank = np.zeros((height, width, 3), np.uint8)
69
70 im_rd = cv2.rectangle(im_rd, tuple([d.left(), d.top()]), tuple([d.right(), d.bottom()]), (0, 255, 255), 2)
71 im_blank = np.zeros((height, width, 3), np.uint8)
72
73 # 保存人脸到本地
74 if (kk == ord('s')):
75 cnt_p += 1
76 for ii in range(height):
77 for jj in range(width):
78 im_blank[ii][jj] = im_rd[d.top() + ii][d.left() + jj]
79 print(path_save + "img_face_" + str(cnt_p) + ".jpg")
80 cv2.imwrite(path_save + "img_face_" + str(cnt_p) + ".jpg", im_blank)
81 cv2.putText(im_rd, "faces: " + str(len(rects)), (20, 50), font, 1, (0, 0, 255), 1, cv2.LINE_AA)
82
83 else:
84 # 没有检测到人脸
85 cv2.putText(im_rd, "no face", (20, 50), font, 1, (0, 0, 255), 1, cv2.LINE_AA)
86
87 # 添加说明
88 im_rd = cv2.putText(im_rd, "s: save face", (20, 400), font, 0.8, (255, 255, 255), 1, cv2.LINE_AA)
89 im_rd = cv2.putText(im_rd, "q: quit", (20, 450), font, 0.8, (255, 255, 255), 1, cv2.LINE_AA)
90
91 # 按下q键退出
92 if (kk == ord('q')):
93 break
94
95 # 窗口显示
96 cv2.imshow("camera", im_rd)
97
98 # 释放摄像头
99 cap.release()
100
101 # 删除建立的窗口
102 cv2.destroyAllWindows()
2.2 get_features_into_CSV.py/извлечение функций в CSV
Я получил набор изображений лица XXX, и теперь мне нужно извлечь его черты лица;
Здесь мы используем модель распознавания лиц библиотеки dlib;
1 # face recognition model, the object maps human faces into 128D vectors
2 facerec = dlib.face_recognition_model_v1("dlib_face_recognition_resnet_model_v1.dat")
3
4 # detector to find the faces
5 detector = dlib.get_frontal_face_detector()
6
7 # shape predictor to find the face landmarks
8 predictor = dlib.shape_predictor("shape_predictor_5_face_landmarks.dat")
9
10 # 读取图片
11 img = io.imread(path_img)
12 img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
13
14 dets = detector(img_gray, 1)
15 shape = predictor(img_gray, dets[0])
16 face_descriptor = facerec.compute_face_descriptor(img_gray, shape)
Мы можем посмотреть на вывод face_descriptor для изображения:
Внутри зеленого прямоугольника находится наша функция, которая возвращает функции 128D;
Вызовите эту функцию в красном поле, чтобы вычислить img_face_13.jpg;
Вы можете видеть, что вывод в желтом поле представляет собой вектор 128D;
Рис. 5. Возвращает результат вычисления функции 128D одного изображения.
Таким образом, мы можем выполнять пакетные вычисления функций для изображений в path_save, а затем записывать их в CSV (используяwrite_into_CSV функция), мой csv называется default_person.csv;
Вы можете получить функцию CSV с количеством строк (количество граней) * 128 столбцов;
Это черта лица определенного человека, затем вычислите среднее значение характеристик 128D и найдите среднее значение (используяcompute_the_mean функция)
Выходной результат операции, значение свойства этого 128D, является свойством default_person;
это мыВстроенные/предустановленные лица,Позже Лицо, захваченное камерой, будет сравниваться с этим значением функции для обработки распознавания лиц.;
[-0.030892765492592986, 0.13333227054068916, 0.054221574805284799, -0.050820438289328626, -0.056331159841073189, 0.0039378538311116004, -0.044465327145237675, -0.13096490031794497, 0.14215188983239627, -0.084465635842398593, 0.34389359700052363, -0.062936659118062566, -0.24372901571424385, -0.13270603316394905, -0.0472818422866495, 0.15475224742763921, -0.24415240554433121, -0.11213862150907516, 0.032288033417180964, 0.023676671577911628, 0.098508275653186594, -0.010117797634417289, 0.0048202000815715448, -0.014808513420192819, -0.060100053486071135, -0.34934839135722112, -0.095795629448012301, -0.050788544706608117, 0.032316677762489567, -0.099673464894294739, -0.080181991975558434, 0.096361607705291952, -0.1823408101734362, -0.045472671817007815, -0.0066827326326778062, 0.047393877549391041, -0.038414973079373964, -0.039067085930391363, 0.15961966781239761, 0.0092458106136243598, -0.16182226570029007, 0.026322136191945327, -0.0039144184832510193, 0.2492692768573761, 0.19180528427425184, 0.022950534855848866, -0.019220497949342979, -0.15331173021542399, 0.047744840089427795, -0.17038608616904208, 0.026140184680882254, 0.19366614363695445, 0.066497623724372762, 0.07038829416820877, -0.0549700813073861, -0.11961311768544347, -0.032121153940495695, 0.083507449611237169, -0.14934051350543373, 0.011458799806668571, 0.10686114273573223, -0.10744074888919529, -0.04377919611962218, -0.11030520381111848, 0.20804878441910996, 0.093076545941202266, -0.11621182490336268, -0.1991656830436305, 0.10751579348978244, -0.11251544991606161, -0.12237925866716787, 0.058218707869711672, -0.15829276019021085, -0.17670038891466042, -0.2718416170070046, 0.034569320955166689, 0.30443575821424784, 0.061833358712886512, -0.19622498672259481, 0.011373612000361868, -0.050225612756453063, -0.036157087079788507, 0.12961127491373764, 0.13962576616751521, -0.0074232793168017737, 0.020964263007044792, -0.11185114399382942, 0.012502493042694894, 0.17834208513561048, -0.072658227462517586, -0.041312719401168194, 0.25095899873658228, -0.056628625839948654, 0.10285118379090961, 0.046701753217923012, 0.042323612264896691, 0.0036216247826814651, 0.066720707440062574, -0.16388990533979317, -0.0193739396421925, 0.027835704435251261, -0.086023958105789985, -0.05472404568603164, 0.14802298341926776, -0.10644183582381199, 0.098863413851512108, 0.00061285014778963834, 0.062096107555063146, 0.051960245755157973, -0.099548895108072383, -0.058173993112225285, -0.065454461562790375, 0.14721672511414477, -0.25363486848379435, 0.20384312381869868, 0.16890435312923632, 0.097537552447695477, 0.087824966562421697, 0.091438713434495431, 0.093809676797766431, -0.034379941362299417, -0.085149037210564868, -0.24900743130006289, 0.021165960517368819, 0.076710369830068792, -0.0061752907196549996, 0.028413473285342519, -0.029983982541843465]
Источник:
1 # 2018-5-11
2 # By TimeStamp
3 # cnblogs: http://www.cnblogs.com/AdaminXie
4
5 # return_128d_features() 获取某张图像的128d特征
6 # write_into_csv() 将某个文件夹中的图像读取特征兵写入csv
7 # compute_the_mean() 从csv中读取128d特征，并计算特征均值
8
9 import cv2
10 import os
11 import dlib
12 from skimage import io
13 import csv
14 import numpy as np
15 import pandas as pd
16
17 path_pics = "F:/code/python/P_dlib_face_reco/data/get_from_camera/"
18 path_csv = "F:/code/python/P_dlib_face_reco/data/csvs/"
19
20 # detector to find the faces
21 detector = dlib.get_frontal_face_detector()
22
23 # shape predictor to find the face landmarks
24 predictor = dlib.shape_predictor("shape_predictor_5_face_landmarks.dat")
25
26 # face recognition model, the object maps human faces into 128D vectors
27 facerec = dlib.face_recognition_model_v1("dlib_face_recognition_resnet_model_v1.dat")
28
29 # 返回单张图像的128D特征
30 def return_128d_features(path_img):
31 img = io.imread(path_img)
32 img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
33 dets = detector(img_gray, 1)
34
35 if(len(dets)!=0):
36 shape = predictor(img_gray, dets[0])
37 face_descriptor = facerec.compute_face_descriptor(img_gray, shape)
38 else:
39 face_descriptor = 0
40 print("no face")
41
42 # print(face_descriptor)
43 return face_descriptor
44
45 #return_128d_features(path_pics+"img_face_13.jpg")
46
47 # 将文件夹中照片特征提取出来，写入csv
48 # 输入input:
49 # path_pics: 图像文件夹的路径
50 # path_csv: 要生成的csv路径
51
52 def write_into_csv(path_pics ,path_csv):
53 dir_pics = os.listdir(path_pics)
54
55 with open(path_csv, "w", newline="") as csvfile:
56 writer = csv.writer(csvfile)
57 for i in range(len(dir_pics)):
58 # 调用return_128d_features()得到128d特征
59 print(path_pics+dir_pics[i])
60 features_128d = return_128d_features(path_pics+dir_pics[i])
61 # print(features_128d)
62 # 遇到没有检测出人脸的图片跳过
63 if features_128d==0:
64 i += 1
65 else:
66 writer.writerow(features_128d)
67
68 #write_into_csv(path_pics, path_csv+"default_person.csv")
69
70 path_csv_rd = "F:/code/python/P_dlib_face_reco/data/csvs/default_person.csv"
71
72 # 从csv中读取数据，计算128d特征的均值
73 def compute_the_mean(path_csv_rd):
74 column_names = []
75
76 for i in range(128):
77 column_names.append("features_" + str(i + 1))
78
79 rd = pd.read_csv(path_csv_rd, names=column_names)
80
81 # 存放128维特征的均值
82 feature_mean = []
83
84 for i in range(128):
85 tmp_arr = rd["features_"+str(i+1)]
86 tmp_arr = np.array(tmp_arr)
87
88 # 计算某一个特征的均值
89 tmp_mean = np.mean(tmp_arr)
90
91 feature_mean.append(tmp_mean)
92
93 print(feature_mean)
94 return feature_mean
95
96 compute_the_mean(path_csv_rd)
2.3 face_reco_from_camera.py/Сравнительный анализ распознавания лиц в реальном времени
Этот py должен вызвать камеру для захвата лица в камере, а затем, если лицо обнаружено, извлечь функцию 128D лица в камере, а затем вычислить евклидово расстояние с функцией 128D стандартного default_person, если он мал, о нем можно судить как о человеке, иначе он не человек;
Пороговое значение контраста евклидова расстояния находится вreturn_euclidean_distance функциональныйdist Переменная;
Здесь я указал в программе 0,4, и конкретный порог может быть изменен в соответствии с реальной ситуацией или результатами измерений;
Исходный код:
1 # 2018-5-11
2 # By TimeStamp
3 # cnblogs: http://www.cnblogs.com/AdaminXie
4
5 import dlib # 人脸识别的库dlib
6 import numpy as np # 数据处理的库numpy
7 import cv2 # 图像处理的库OpenCv
8
9 # face recognition model, the object maps human faces into 128D vectors
10 facerec = dlib.face_recognition_model_v1("dlib_face_recognition_resnet_model_v1.dat")
11
12 # 计算两个向量间的欧式距离
13 def return_euclidean_distance(feature_1,feature_2):
14 feature_1 = np.array(feature_1)
15 feature_2 = np.array(feature_2)
16 dist = np.sqrt(np.sum(np.square(feature_1 - feature_2)))
17 print(dist)
18
19 if dist > 0.4:
20 return "diff"
21 else:
22 return "same"
23
24
25 features_mean_default_person = [-0.030892765492592986, 0.13333227054068916, 0.054221574805284799, -0.050820438289328626, -0.056331159841073189, 0.0039378538311116004, -0.044465327145237675, -0.13096490031794497, 0.14215188983239627, -0.084465635842398593, 0.34389359700052363, -0.062936659118062566, -0.24372901571424385, -0.13270603316394905, -0.0472818422866495, 0.15475224742763921, -0.24415240554433121, -0.11213862150907516, 0.032288033417180964, 0.023676671577911628, 0.098508275653186594, -0.010117797634417289, 0.0048202000815715448, -0.014808513420192819, -0.060100053486071135, -0.34934839135722112, -0.095795629448012301, -0.050788544706608117, 0.032316677762489567, -0.099673464894294739, -0.080181991975558434, 0.096361607705291952, -0.1823408101734362, -0.045472671817007815, -0.0066827326326778062, 0.047393877549391041, -0.038414973079373964, -0.039067085930391363, 0.15961966781239761, 0.0092458106136243598, -0.16182226570029007, 0.026322136191945327, -0.0039144184832510193, 0.2492692768573761, 0.19180528427425184, 0.022950534855848866, -0.019220497949342979, -0.15331173021542399, 0.047744840089427795, -0.17038608616904208, 0.026140184680882254, 0.19366614363695445, 0.066497623724372762, 0.07038829416820877, -0.0549700813073861, -0.11961311768544347, -0.032121153940495695, 0.083507449611237169, -0.14934051350543373, 0.011458799806668571, 0.10686114273573223, -0.10744074888919529, -0.04377919611962218, -0.11030520381111848, 0.20804878441910996, 0.093076545941202266, -0.11621182490336268, -0.1991656830436305, 0.10751579348978244, -0.11251544991606161, -0.12237925866716787, 0.058218707869711672, -0.15829276019021085, -0.17670038891466042, -0.2718416170070046, 0.034569320955166689, 0.30443575821424784, 0.061833358712886512, -0.19622498672259481, 0.011373612000361868, -0.050225612756453063, -0.036157087079788507, 0.12961127491373764, 0.13962576616751521, -0.0074232793168017737, 0.020964263007044792, -0.11185114399382942, 0.012502493042694894, 0.17834208513561048, -0.072658227462517586, -0.041312719401168194, 0.25095899873658228, -0.056628625839948654, 0.10285118379090961, 0.046701753217923012, 0.042323612264896691, 0.0036216247826814651, 0.066720707440062574, -0.16388990533979317, -0.0193739396421925, 0.027835704435251261, -0.086023958105789985, -0.05472404568603164, 0.14802298341926776, -0.10644183582381199, 0.098863413851512108, 0.00061285014778963834, 0.062096107555063146, 0.051960245755157973, -0.099548895108072383, -0.058173993112225285, -0.065454461562790375, 0.14721672511414477, -0.25363486848379435, 0.20384312381869868, 0.16890435312923632, 0.097537552447695477, 0.087824966562421697, 0.091438713434495431, 0.093809676797766431, -0.034379941362299417, -0.085149037210564868, -0.24900743130006289, 0.021165960517368819, 0.076710369830068792, -0.0061752907196549996, 0.028413473285342519, -0.029983982541843465]
26
27
28 # dlib预测器
29 detector = dlib.get_frontal_face_detector()
30 predictor = dlib.shape_predictor('shape_predictor_68_face_landmarks.dat')
31
32 # 创建cv2摄像头对象
33 cap = cv2.VideoCapture(0)
34
35 # cap.set(propId, value)
36 # 设置视频参数，propId设置的视频参数，value设置的参数值
37 cap.set(3, 480)
38
39 def get_128d_features(img_gray):
40 dets = detector(img_gray, 1)
41 if (len(dets) != 0):
42 shape = predictor(img_gray, dets[0])
43 face_descriptor = facerec.compute_face_descriptor(img_gray, shape)
44 else:
45 face_descriptor=0
46 return face_descriptor
47
48 # cap.isOpened（） 返回true/false 检查初始化是否成功
49 while (cap.isOpened()):
50
51 # cap.read()
52 # 返回两个值：
53 # 一个布尔值true/false，用来判断读取视频是否成功/是否到视频末尾
54 # 图像对象，图像的三维矩阵
55 flag, im_rd = cap.read()
56
57 # 每帧数据延时1ms，延时为0读取的是静态帧
58 kk = cv2.waitKey(1)
59
60 # 取灰度
61 img_gray = cv2.cvtColor(im_rd, cv2.COLOR_RGB2GRAY)
62
63 # 人脸数rects
64 rects = detector(img_gray, 0)
65
66 # print(len(rects))
67
68 # 待会要写的字体
69 font = cv2.FONT_HERSHEY_SIMPLEX
70
71 cv2.putText(im_rd, "q: quit", (20, 400), font, 0.8, (0, 255, 255), 1, cv2.LINE_AA)
72
73 if (len(rects) != 0):
74 # 检测到人脸
75
76 # 将捕获到的人脸提取特征和内置特征进行比对
77 features_rd = get_128d_features(im_rd)
78 compare = return_euclidean_distance(features_rd, features_mean_default_person)
79
80 im_rd = cv2.putText(im_rd, compare.replace("same", "default_person"), (20, 350), font, 0.8, (0, 255, 255), 1, cv2.LINE_AA)
81
82 # 矩形框
83 for k, d in enumerate(rects):
84
85 # 绘制矩形框
86 im_rd = cv2.rectangle(im_rd, tuple([d.left(), d.top()]), tuple([d.right(), d.bottom()]), (0, 255, 255), 2)
87
88 cv2.putText(im_rd, "faces: " + str(len(rects)), (20, 50), font, 1, (0, 0, 255), 1, cv2.LINE_AA)
89
90 else:
91 # 没有检测到人脸
92 cv2.putText(im_rd, "no face", (20, 50), font, 1, (0, 0, 255), 1, cv2.LINE_AA)
93
94
95 # 按下q键退出
96 if (kk == ord('q')):
97 break
98
99 # 窗口显示
100 cv2.imshow("camera", im_rd)
101
102 # 释放摄像头
103 cap.release()
104
105 # 删除建立的窗口
106 cv2.destroyAllWindows()
Выходные результаты в реальном времени:
Рисунок 6 Раньшее расстояние в реальном времени
Благодаря результатам вывода в реальном времени это более очевидно;
Выходная зеленая часть: когда это я (то есть функция, извлеченная из предыдущего анализаdefault_person), рассчитанное евклидово расстояние в основном равно0,2X или около того;
Выведите красную часть: и измените картинку, например Трампа, вы можете ясно увидеть результат расчета евклидова расстояниявырос до 0,8X, в это время можно определить, что эта грань не является заданной нами гранью;
3. Резюме
Я написал это после обнаружения лица камерой раньше, но обновление было отложено до сих пор, и письмо относительно грубое.Вы можете изменить его, если у вас есть особые потребности и сценарии применения.Если у вас есть какие-либо вопросы, вы можете оставить сообщение или напишите мне напрямую. . . Прошу прощения
ЯдроИзвлеките элементы лица, затем рассчитайте евклидово расстояние и сравните с предустановленным собственным лицом;
Однако при этом сравнении лица камеры в реальном времени собственные значения лица камеры вычисляются в реальном времени, а затем вычисляется евклидово расстояние, поэтому объем вычислений относительно велик, а видеопоток камеры может быть застрявший;
Напиши мне:
# Просим уважать чужие результаты труда, при перепечатке или использовании исходного кода указывать источник:www.cnblogs.com/AdaminXie
# Код загружен на мой GitHub, если он вам поможет, поставьте звездочку:GitHub.com/coneybroken/DLI…