简述 face_recognition 包

 1   

face_recognition.api.batch_face_locations(images, number_of_times_to_upsample=1, batch_size=128)

1. 如果使用的是GPU，这可以给更快的结果。如果不使用GPU，则不需要这个函数。
2. 使用CNN进行人脸检测

参数：

（1）images: 图像列表。 (每个图像作为一个numpy数组)

（2）number_of_times_to_upsample:进行上采样的次数。次数更多能找到更小的脸。

（3）batch_size:每一个GPU处理批中包含多少图像。

返回:

找到的人脸位置的元组(上、右、下、左)列表。

2

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

参数：

（1）known_face_encodings：known_face_encodings列表

（2）face_encoding_to_check：单个人脸编码（128维）与列表进行比较

（3）tolerance：两张脸之间的距离有多远才算匹配。越低越严格。0.6是典型的最佳性能。

返回：

A numpy ndarray with the distance for each face in the same order as the ‘faces’ array

3

face_recognition.api.face_encodings(face_image, known_face_locations=None, num_jitters=1)

图像中的每张人脸返回128维的人脸编码。

参数：

（1）face_image：包含一张或者更多张人脸的图片

（2）known_face_locations：-可选-每个人脸的Bbox（已知）

（3）num_jitters：编码时重采样的次数。越高越准确，但是速度会慢些。

返回：

128维的人来你编码List（图像中的每张脸都有）

4

face_recognition.api.face_landmarks(face_image, face_locations=None, model='large')

返回图片中的每张人脸的人脸特征定位（眼睛，鼻子等）

参数：

（1）face_image：输入的图片

（2）face_locations：-可选-每个人脸的定位（已知）

（3）model：-可选-使用的模型。“large”为默认；“small”返回5点，但是更快。

返回：

面部特征位置(眼睛、鼻子等)的字典

5

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

返回图片中所有人脸的Bbox（array）

参数：

（1）img：输入的图片（numpy array）

（2）number_of_times_to_upsample：上采样的次数，次数越多越能找到更小的人脸。

（3）model：“hog”为默认；“hog”在上不精准，但是快。“cnn”是更精准的深度学习模型，需要GPU/CUDA加速。

返回：

人脸定位元组(top, right, bottom, left)的List。

6

face_recognition.api.load_image_file(file, mode='RGB')

下载图片文件（.jpg  .png等）转成numpy array

参数：

（1）file：要加载的图像文件名或文件对象
（2）mode：将图像转换成的格式。支持“RGB”（8位，3通道）和“L”（黑白）

返回：

Numpy array 的图像内容

7

face_recognition.api.face_distance(face_encodings, face_to_compare)

参数：

（1）face_encodings：人脸编码List

（2） face_to_compare：用来比较的一个人脸编码

返回：

与人脸编码List顺序相同的距离array。