基于 Face Recognition 实现人脸识别服务

概述

如之前的文章所述，笔者的项目需求是：公司预先将员工的照片录入系统，此后员工访问系统时，可以由前端的照相设备采集面孔，使用人脸识别技术，找到员工对应的身份信息，实现 刷脸登录 的功能，此外，最好身份信息和照片都在系统内，尽量不使用互联网服务。

Face Recognition 库简介

经过前面对 Face Recognition 库的学习，实现了通过Python脚本实现命令行对2张人脸的比对与识别。再次说明， Face Recognition 库的主要接口API为：

1. 人脸检测：face_recognition.face_locations(img, number_of_times_to_upsample=1, model="hog")
2. 检测面部特征点： face_landmarks(face_image, face_locations=None, model="large")
3. 给脸部编码：face_encodings(face_image, known_face_locations=None, num_jitters=1)
4. 从编码中找出人的名字：compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6)

Face Recognition 库简单来说就是：给定一张照片，它可以从中框出人脸，并将人脸提取为特征向量。

人脸特征提取

人脸查找

关键在于怎么实现人脸的比对。如果仅仅是2张照片，库中给出的examples 是通过对特征向量求距离实现的。

2张照片比对

在这个过程中，根据照片求特征向量是较慢的，而向量距离是很快的，因为它只是执行了简单矩阵计算，这步很快。

那么如何实现已有100名员工的照片，传入一张新照片，查找他是谁呢？
我也Google了网上其他网友实现的基于Face Recognition 库的人脸查找，他们实现的方式大多扩展了一下2张照片比对的情形，比如face-recognition-service。它的逻辑就是：读取图片库中的100张照片，逐照片分析得出特征向量1-100，形成特征向量矩阵M，然后对新照片，得出特征向量A，计算矩阵M和A的距离，选距离小于阈值的那个向量，反求对应的人。

典型过程

人脸查找逻辑优化

前面的逻辑是可以的，唯一问题在于新增人脸后特征向量增加怎么处理。有的项目是再次执行预处理过程，求特征矩阵这步很耗时，求距离矩阵这步非常快速。

所以我将特征向量存入redis数据库，查找时，直接从数据库取出人名和他对应的特征向量，然后组成特征矩阵，计算相似度（距离矩阵）

逻辑优化

代码实现

本代码基于 Python3 ，使用的库有 flask、redis、numpy 以及 face_recognition。

#!/usr/bin/python
# -*- coding: utf-8 -*-

from flask import Flask, Response, request, jsonify
import redis
import face_recognition
import numpy as np

app = Flask(__name__)
app.config['JSON_AS_ASCII'] = False

pool = redis.ConnectionPool(host='127.0.0.1', port=6379)

# 首页
@app.route('/', methods=['GET'])
def index():
    return '''
    
    
    人脸录入

    人脸搜索
    '''

# 人脸录入页
@app.route('/upload', methods=['GET'])
def uploadHtml():
    return '''
    
    
    
人脸录入
    

      姓名：

      
      
    
    '''

# 人脸录入
@app.route('/upload', methods=['POST'])
def upload():
    if 'file' not in request.files:
        return jsonify({'code': 500, 'msg': '没有文件'})
    file = request.files['file']
    name = request.form['name']
    image = face_recognition.load_image_file(file)
    face_locations = face_recognition.face_locations(image)
    if len(face_locations) != 1:
        return jsonify({'code': 500, 'msg': '人脸数量有误'})
    face_encodings = face_recognition.face_encodings(image, face_locations)
    # 连数据库
    r = redis.Redis(connection_pool=pool)
    # 录入人名-对应特征向量
    r.set(name, face_encodings[0].tobytes())
    return jsonify({'code': 0, 'msg': '录入成功'})

# 人脸搜索页
@app.route('/search', methods=['GET'])
def searchHtml():
    return '''
    
    
    
人脸搜索
    

      
      
    
    '''

# 人脸搜索
@app.route('/search', methods=['POST'])
def search():
    if 'file' not in request.files:
        return jsonify({'code': 500, 'msg': '没有文件'})
    file = request.files['file']
    image = face_recognition.load_image_file(file)
    face_locations = face_recognition.face_locations(image)
    if len(face_locations) != 1:
        return jsonify({'code': 500, 'msg': '人脸数量有误'})
    face_encodings = face_recognition.face_encodings(image, face_locations)
    # 连数据库
    r = redis.Redis(connection_pool=pool)
    # 取出所有的人名和它对应的特征向量
    names = r.keys()
    faces = r.mget(names)
    # 组成矩阵，计算相似度（欧式距离）
    matches = face_recognition.compare_faces([np.frombuffer(x) for x in faces], face_encodings[0])
    return jsonify({'code': 0, 'names': [str(name, 'utf-8') for name, match in zip(names, matches) if match]})

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5001, debug=True)

测试

1. 将代码保存为 face.py
2. 通过命令启动代码 python3 face.py
3. 通过浏览器访问 http://127.0.0.1:5001 就可以访问服务