【Face Recognition人脸识别】3. 单张图片人脸识别
我们将使用7行代码实现python人脸识别
【 1. 读取图片 】
与前面不同，因为是识别图片，所以我们需要分别读取已知名字图片和未知名字图片：
known_image = face_recognition.load_image_file("picture1.jpg")
unknown_image = face_recognition.load_image_file("picture2.jpg")
【 2. 获取128维的特征向量 】
可以使用 face_encodings 函数对人脸进行编码，获取到对应128维的人脸特征向量：
face_encodings(face_image, known_face_locations=None, num_jitters=1)
# face_image：包含单个或者多个人脸的图片对象；
# known_face_locations：可选值，已经知道名字的人脸位置；
# num_jitters：当计算编码时，进行多少次的re-sample操作，次数越多，越精准（但同时会更慢，例如，值为100时，会慢100倍）。
分别对已知名字的人脸和未知名字的人脸，进行编码，如下：
cyx_encoding = face_recognition.face_encodings(known_image)[0]
unknown_encoding = face_recognition.face_encodings(unknown_image)[0]
【 3. 比较特征向量 】
最后，使用 compare_faces函数，比较已经人脸与未知人脸之间特征向量：
如果未知图片高于指定的容错率阈值，将会返回真(True)；
如果低于指定的阈值，将会返回假(False)。
compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6)
# known_face_encodings：已知人脸特征向量的数组；
# face_encoding_to_check：一个用于与已知向量相比较的未知人脸特征向量；
# tolerance：容错率，默认的容错率是0.6，容错率越低，识别越严格准确。
# 如果未知图片高于指定的容错率阈值，将会返回真(True)；如果低于指定的阈值，将会返回假(False)。
results = face_recognition.compare_faces([cyz_encoding], unknown_encoding, tolerance=0.4)
容错值的选取：
- 若识别同一个人错误时，应当增大容错值。让识别不太严格。
- 若识别不同的人错误时，应当减小容错值。让识别严格起来。
- 综合以上两种方法选取不同的容错值进行测试（一般是0.7左右）。
【 4. 范例 】
1. 代码
import face_recognition
# 导入图片
known_image_cyz = face_recognition.load_image_file("picture1.jpg")
unknown_image = face_recognition.load_image_file("picture2.jpg")
# 编码获取128维特征向量
cyz_encoding = face_recognition.face_encodings(known_image_cyz)[0]
unknown_encoding = face_recognition.face_encodings(unknown_image)[0]
# 比较特征向量值，识别人脸
results = face_recognition.compare_faces([cyz_encoding], unknown_encoding, tolerance=0.5)
# 打印结果
print(results)
2. 容错值测试
picture1：
picture2：
picture3：
picture4：
- 我们先令容错值为1：
让已知图片picture1 和 待识别图片picture2比较：可知是同一人，测试结果正确
让已知图片picture1和待识别图片picture3比较：可知是同一人，测试结果正确
让已知图片picture1和待识别图片picture4比较：可知是同一人，测试结果错误
- 因此我们适当减小容错值，让它为0.5，让它识别更严格
让已知图片picture1 和 待识别图片picture2比较：可知是同一人，测试结果正确
让已知图片picture1和待识别图片picture3比较：可知是同一人，测试结果正确
让已知图片picture1和待识别图片picture4比较：可知不是同一人，测试结果正确。
