Windows系统安装dlib及face_recognition搭建人脸识别环境

关于face_recognition

face_recognition被称为世界上最简洁的人脸识别库，借助face_recognition库，我们可以使用Python和命令行提取、识别、操作人脸。

face_recognition的人脸识别是基于业内领先的C++开源库 dlib中的深度学习模型，用Labeled Faces in the Wild人脸数据集进行测试，有高达99.38%的准确率。但对小孩和亚洲人脸的识别准确率尚待提升。

PyPI地址：face-recognition · PyPI

github仓库地址：

ageitgey/face_recognition: The world's simplest facial recognition api for Python and the command line (github.com)

相关包安装

（1）包安装前置需求

1. 用于编译dlib的VC++编译器，参考资料2推荐Microsoft Visual Studio 2015及以上版本的VC编译器。
2. Python3开发环境。
3. Windows版CMake，并将路径添加到环境变量。
4. 1.63或更新版本的Boost库（用于旧版本的dlib，新版本的不需要），按照参考1，可以使用MSVC的预编译版本，但不推荐这样做。

（2）简易安装

pip install dlib

pip install face_recognition

（3）纯手动安装

按照参考资料1，可以按一下步骤手工安装：

1）下载并安装scipy和numpy+mkl（必须是mkl版本）包。

2）下载适配当前电脑MSVC版本的boost库源代码和二进制文件（下载链接）。

3）如果下载的是boost库的二进制文件，请直接跳到步骤4）。否则：

首先，解压Boost的源代码文件到本地目录，例如C:\local\boost_1_XX_X（X表示下载的Boost版本）；

然后，创建如下参数的环境变量（以VC14为例）：

变量名：VS140COMNTOOLS

变量值：C:\Program Files (x86)\Microsoft Visual Studio 14.0\Common7\Tools\（或者是本地MSVC的路径）

最后，打开Visual Studio命令行窗口并进入Boost的解压目录，尝试使用如下命令编译Boost：

bootstrap
b2 -a --with-python address-model=64 toolset=msvc runtime-link=static

4）如果已编译Boost，请跳过这一步，否则，把下载到的Boost二进制文件解压至本地特定目录，如C:\local\boost_1_XX_X。

5）从仓库中获取并解压最新版的dlib。

6）进入dlib目录，打开命令行终端按如下步骤生成dlib（XX表示dlib版本号，实际操作时替换为具体的版本号）：

set BOOST_ROOT=C:\local\boost_X_XX_X
set BOOST_LIBRARYDIR=C:\local\boost_X_XX_X\stage\lib
python setup.py install --yes USE_AVX_INSTRUCTIONS or python setup.py install --yes USE_AVX_INSTRUCTIONS --yes DLIB_USE_CUDA

7）到此，已经可以在Python脚本中导入dlib了：import dlib。

8）我们可以通过pip show dlib命令检查安装到Python环境里的dlib版本。

9）安装face_recognition：

pip install face_recognition

10）完成，可以用来开发了。

应用示例

（1）主要API

方法	说明	返回值
face_recognition.api.batch_face_locations(images, number_of_times_to_upsample=1, batch_size=128)	批量定位人脸位置	返回包含人脸位置的元组列表，人脸位置按css（上、右、下、左）顺序排列。
face_recognition.api.compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6)	将特定的人脸编码和一个已知人脸编码列表进行对比	返回一个True/False值列表，用以表示哪些已知的人脸和特定的人脸匹配。
face_recognition.api.face_distance(face_encodings, face_to_compare)	人脸距离（欧几里得距离）	numpy ndarray，包含要对比的人脸和人脸数组中每个元素的距离。
face_recognition.api.face_encodings(face_image, known_face_locations=None, num_jitters=1, model='small')	人脸编码	128维度人脸编码列表。
face_recognition.api.face_landmarks(face_image, face_locations=None, model='large')	给出一张照片中每个人脸的特征部位（包括眼、鼻等）	人脸特征位置字典列表。
face_recognition.api.face_locations(img, number_of_times_to_upsample=1, model='hog')	查找人脸位置，返回图片中人脸的边界框数组	包含边界框信息的元组列表
face_recognition.api.load_image_file(file, mode='RGB')	加载图片到 （.jpg, .png等）numpy数组	numpy array

参考文档：

face_recognition package — Face Recognition 1.4.0 documentation (face-recognition.readthedocs.io)

（2）应用举例

import face_recognition

# 加载并编码个人照片
picture_of_the_man = face_recognition.load_image_file('obama.jpg')
the_man_face_encoding = face_recognition.face_encodings(picture_of_the_man)[0]

# 判断这个人是否在集体照中
picture_of_many_people = face_recognition.load_image_file('barack_obama_family.jpg')
people_encoding_list = face_recognition.face_encodings(picture_of_many_people)

# 人脸比对
result = face_recognition.compare_faces(people_encoding_list, the_man_face_encoding)
contains_this_man = False
for item in result:
    contains_this_man = item
    if contains_this_man == True:
        break

if contains_this_man:
    print('照片里有这个人')
else:
    print('照片里没有这个人')

以上程序能在奥巴马一家合照中认出奥巴马。

注：程序识别过程有点慢，按照参考资料1的说法，face_recognition库在Windows上的性能仅有Ubuntu上的1/4，这一点有待验证。

参考资料

1. Windows Installation Guide · Issue #175 · ageitgey/face_recognition (github.com)