face_recognition（人脸识别）

最新推荐文章于 2025-03-21 15:32:32 发布

傻瓜学习

最新推荐文章于 2025-03-21 15:32:32 发布

阅读量3k

点赞数 37

分类专栏：人工智能文章标签：人工智能

本文链接：https://blog.csdn.net/m0_73723097/article/details/143506559

版权

人工智能专栏收录该内容

18 篇文章

订阅专栏

face_recognition 介绍

face_recognition 是一个非常流行的 Python 库，专门用于人脸识别任务。它基于 dlib 库和 HOG（Histogram of Oriented Gradients）特征以及深度学习模型，提供了简单易用的接口来进行人脸检测、面部特征点定位和人脸识别。face_recognition 库由 Adam Geitgey 开发，旨在简化人脸识别任务，使其更加容易上手。

主要功能

1.人脸检测：

检测图像中的人脸位置。
支持使用 HOG 特征或 CNN（卷积神经网络）进行人脸检测。

2.面部特征点定位：

检测人脸上的关键特征点（如眼睛、鼻子、嘴巴等）。

3.人脸识别：

提取人脸的特征向量（128维），并用于比较不同人脸之间的相似度。
支持从图像或视频中识别特定的人脸。

它和opencv关系

1.face_recognition 和 OpenCV 是两个独立的计算机视觉库，但它们在功能上有一些重叠，并且经常一起使用来完成复杂的视觉任务。下面简要介绍两者的联系：

联系

尽管 face_recognition 和 OpenCV 各有侧重，但在实际应用中，它们经常被组合起来使用，以发挥各自的优势：

图像预处理：通常情况下，我们会先使用 OpenCV 对图像进行预处理，比如调整大小、灰度化、去噪等。这些预处理步骤有助于提高后续人脸识别的准确率。
人脸检测与识别：预处理后的图像可以传递给 face_recognition 库来执行人脸检测和识别。face_recognition 可以高效地完成这些任务，并返回人脸位置、面部特征点等信息。
结果可视化：最后，我们可以再次利用 OpenCV 来对识别结果进行可视化处理，例如在图像上画出人脸框、标注识别到的名字等。

检测人脸

face_recognition.face_locations(img, number_of_times_to_upsample=1, model='hog')

1.功能：检测图像中的人脸位置。

2.参数

img：图像的 NumPy 数组。
number_of_times_to_upsample：图像上采样的次数，用于提高检测精度。
model：使用的模型，可以是 'hog'（默认）或 'cnn'。
返回：一个列表，每个元素是一个 (top, right, bottom, left) 的元组，表示人脸的位置

切割人脸

import cv2
import face_recognition

#读取人脸图片
img = cv2.imread("../images/p1.png")
#检测人脸,后两个参数是默认的
face_list = face_recognition.face_locations(img)
print(face_list)
#获取人脸坐标
for x in face_list:
    cv2.rectangle(img, (x[3], x[0]), (x[1], x[2]), (0,255,0), 2)
    qie_img = img[x[0]:x[2], x[3]:x[1]]
    cv2.imwrite("../images/save_p1.png",qie_img)
cv2.imshow("img", qie_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

提取人脸特征

face_recognition.face_encodings(img, known_face_locations=None, num_jitters=1, model='small')

1.功能：提取图像中人脸的特征向量。

2.参数

img：图像的 NumPy 数组。
known_face_locations：人脸位置的列表，如果为 None，则自动检测人脸位置。
num_jitters：对每个人脸进行多次编码以提高精度。
model：使用的模型，可以是 'small' 或 'large'（默认）。
返回：一个列表，每个元素是一个 128 维的特征向量。

import face_recognition
import cv2
#加载图片
image = cv2.imread("../face_train_images/ldh.jpg")
#读取人脸位置
face_locations = face_recognition.face_locations(image)
#提取人脸特征码
face_encodings = face_recognition.face_encodings(image)[0]
print(face_encodings)

计算人脸的欧几里得距离

欧几里得距离

1.欧几里得距离（Euclidean distance）是一种测量两个点之间直线距离的方式，常用于数学、物理学和计算机科学中的各种应用，包括机器学习中的数据点距离计算。它是基于欧几里得几何的概念，通常用于计算空间中两点之间的距离。

2.应用

数据分析: 欧几里得距离常用于计算数据点之间的距离，例如在聚类算法（如K均值聚类）中。
计算机视觉: 在人脸识别等任务中，欧几里得距离用于计算特征向量之间的相似度。
优化: 在路径规划和优化问题中，计算两点之间的欧几里得距离可以帮助寻找最短路径。

3.欧几里得距离的意义

（1）距离越小，相似度越高：

特征向量相似：当欧几里得距离越小说明两个特征向量之间的差异越小，即这两个人脸在特征空间中很接近。因此，这两个图像可能是同一个人或者相似度很高。
相同身份的概率大：在许多人脸识别系统中，如果计算出的距离小于某个设定的阈值，则系统会认为这两个面孔属于同一个人。

（2）距离阈值：

匹配判断：通常，系统会设置一个阈值来判断两个特征向量是否属于同一身份。如果计算出的距离小于这个阈值，则认为两张图片中的人脸是相同的；如果距离大于阈值，则认为是不同的身份。
误识别率：设置的阈值会影响系统的误识别率（假阳性和假阴性率）。距离阈值的选择需要根据具体应用场景进行调整。

4.案例

import cv2
import face_recognition
import numpy as np

#读取人物的原图
img_1 = cv2.imread("../face_train_images/1.jpg")
#灰度图像
gray_img_1 = cv2.cvtColor(img_1, cv2.COLOR_BGR2GRAY)
#双边滤波去噪
b_img_1 = cv2.bilateralFilter(gray_img_1, 20, 10,50)
#把图像转换成BRG
a_img_1 = cv2.cvtColor(b_img_1, cv2.COLOR_GRAY2BGR)
#提取人脸特征向量
face01=face_recognition.face_encodings(a_img_1)[0]

#读取人物的原图
img_2 = cv2.imread("../face_train_images/3.jpg")
#灰度图像
gray_img_2 = cv2.cvtColor(img_2, cv2.COLOR_BGR2GRAY)
#双边滤波去噪
b_img_2 = cv2.bilateralFilter(gray_img_2, 20, 10,80)
#把图像转换成BRG
a_img_2 = cv2.cvtColor(b_img_2, cv2.COLOR_GRAY2BGR)
#提取人脸特征向量,要传彩色图像
face02=face_recognition.face_encodings(a_img_2)[0]



#计算欧几里得距离,可以根据返回值继续调试
v = np.linalg.norm(face01-face02)
if v<0.4:
    print("是同一个人")
else:
    print("不是一个人")
# print(v)

计算人脸匹配程度

face_recognition.compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6)

1.功能：比较已知人脸特征向量和待检测人脸特征向量，判断是否匹配。

2.参数

known_face_encodings：已知人脸特征向量的列表。
face_encoding_to_check：待检测的人脸特征向量。
tolerance：匹配的阈值，范围是 0.0 到 1.0，值越小表示匹配要求越高。
返回：一个布尔值列表，表示待检测人脸特征向量是否与已知人脸特征向量匹配

import cv2
import face_recognition
import numpy as np

#读取人物的原图
img_1 = cv2.imread("../face_train_images/1.jpg")
#提取人脸特征向量
face01=face_recognition.face_encodings(img_1)[0]

#读取人物的原图
img_2 = cv2.imread("../face_train_images/4.jpg")
#提取人脸特征向量
face02=face_recognition.face_encodings(img_2)[0]

#计算人脸匹配程度
iss = face_recognition.compare_faces([face01], face02,tolerance=0.5)
print(iss)

注意：

提取提取已知人脸图片的人脸特征码要获取下标未 0 的数值

提取未知人脸图片的人脸特征码不获取小标

在计算匹配的时候传入到函数的参数，已知人脸图片的人脸特征码获取放入到列表中，未知获取下标未0

图片预处理

如果对图片进行，

import cv2
import face_recognition
import numpy as np

#读取人物的原图
img_1 = cv2.imread("../face_train_images/1.jpg")
#灰度图像
gray_img_1 = cv2.cvtColor(img_1, cv2.COLOR_BGR2GRAY)
#双边滤波去噪
b_img_1 = cv2.bilateralFilter(gray_img_1, 20, 10,50)
#把图像转换成BRG
a_img_1 = cv2.cvtColor(b_img_1, cv2.COLOR_GRAY2BGR)
#提取人脸特征向量
face01=face_recognition.face_encodings(a_img_1)[0]

#读取人物的原图
img_2 = cv2.imread("../face_train_images/3.jpg")
#灰度图像
gray_img_2 = cv2.cvtColor(img_2, cv2.COLOR_BGR2GRAY)
#双边滤波去噪
b_img_2 = cv2.bilateralFilter(gray_img_2, 20, 10,80)
#把图像转换成BRG
a_img_2 = cv2.cvtColor(b_img_2, cv2.COLOR_GRAY2BGR)
#提取人脸特征向量,要传彩色图像
face02=face_recognition.face_encodings(a_img_2)[0]



#计算欧几里得距离,可以根据返回值继续调试
v = np.linalg.norm(face01-face02)
print(v)