face_recognition模块方法集合
face_recognition API
以下描述了face_recognition人脸识别库的一些API参数、用法、返回值
函数batch_face_locations
batch_face_locations(images, number_of_times_to_upsample=1, batch_size=128)
使用cnn人脸检测器返回一个包含人脸特征的二维数组，如果使用了GPU，这个函数能够更快速的返回结果；如果不使用GPU的话，该函数就没必要使用
参数：
images : 一个包含图像数据的list，每个成员都是一个 numpy array类型
number_of_times_to_upsample： 从images的样本中查找多少次人脸，该参数的值越高的话越能发现更小的人脸
batch_size： 每个GPU一次批处理多少个image
返回值：
一个元组列表，列表中的每个元组包含人脸的位置(top, right, bottom, left)
函数compare_faces
compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6)
比较脸部编码列表和候选编码，看看它们是否匹配。
参数：
known_face_encodings：已知的人脸编码列表
face_encoding_to_check：待进行对比的单张人脸编码数据
tolerance：两张脸之间有多少距离才算匹配。该值越小对比越严格，0.6是典型的最佳值
返回值：
一个 True或者False值的列表，该表指示了known_face_encodings列表的每个成员的匹配结果
函数face_distance
face_distance(face_encodings, face_to_compare)
给定一组面部编码，将它们与已知的面部编码进行比较，得到欧氏距离。对于每一个比较的脸，欧氏距离代表了这些脸有多相似。
参数：
faces：要比较的人脸编码列表
face_to_compare：待进行对比的单张人脸编码数据
tolerance：两张脸之间有多少距离才算匹配。该值越小对比越严格，0.6是典型的最佳值
返回值：
一个numpy ndarray，数组中的欧式距离与faces数组的顺序一一对应
函数face_encodings
face_encodings(face_image, known_face_locations=None, num_jitters=1)
给定一个图像，返回图像中每个面的128维人脸编码。
参数：
face_image：包含一个或者多个人脸的image
known_face_locations：可选参数，如果你知道每个人脸所在的边界框
param num_jitters：在计算编码时要重新采样的次数。越高越准确，但速度越慢，（100就会慢100倍）
返回值：
一个128维的面编码列表(每个面对应一个图像)
函数face_landmarks
face_landmarks(face_image, face_locations=None)
给定一个图像，返回图像中每个人脸的面部特征位置(眼睛、鼻子等)
参数：
face_image：待搜索的image
face_locations：可选参数，可选地提供要检查的面位置列表
返回值：
面部特征位置(眼睛、鼻子等)的字典记录列表
函数face_locations
face_locations(img, number_of_times_to_upsample=1, model='hog')
给定一个图像，返回图像中每个人脸的面部特征位置(眼睛、鼻子等)
参数：
img：一个image（numpy array类型）
number_of_times_to_upsample：从images的样本中查找多少次人脸，该参数的值越高的话越能发现更小的人脸
model：使用哪种人脸检测模型。“hog” 准确率不高，但是在CPUs上运行更快，“cnn” 更准确更深度（且GPU/CUDA加速，如果有GPU支持的话），默认是“hog”
返回值：
一个元组列表，列表中的每个元组包含人脸的位置(top, right, bottom, left)
函数load_image_file
load_image_file(file, mode='RGB')
加载一个图像文件到一个numpy array类型的对象上
参数：
file：待加载的图像文件名字
mode：转换图像的格式。只支持“RGB”(8位RGB, 3通道)和“L”(黑白)
返回值：
一个包含图像数据的numpy array类型的对象