转载：https://my.oschina.net/kangvcar/blog/1557459
Face Recognition人脸识别库
这是世界上最简单的人脸识别库了。你可以通过Python引用或者命令行的形式使用它，来管理和识别人脸。
该软件包使用dlib中最先进的人脸识别深度学习算法，使得识别准确率在《Labled Faces in the
world》测试基准下达到了99.38%。
它同时提供了一个叫face_recognition的命令行工具，以便你可以用命令行对一个文件夹中的图片进行识别操作。
特征
在图片中识别人脸
找到图片中所有的人脸：
import face_recognitionimage=face_recognition.load_image_file("your_file.jpg")face_locations=face_recognition.face_locations(image)
找到并操作图片中的脸部特征
获得图片中人类眼睛、鼻子、嘴、下巴的位置和轮廓：
import face_recognitionimage = face_recognition.load_image_file("your_file.jpg")face_landmarks_list = face_recognition.face_landmarks(image)
找到脸部特征有很多超级有用的应用场景，当然你也可以把它用在最显而易见的功能上：美颜功能就像美图秀秀那样：
鉴定图片中的脸
识别图片中的人是谁
import face_recognitionknown_image=face_recognition.load_image_file("biden.jpg")unknown_image=face_recognition.load_image_file("unknown.jpg")biden_encoding=face_recognition.face_encodings(known_image)[0]unknown_encoding=face_recognition.face_encodings(unknown_image)[0]results=face_recognition.compare_faces([biden_encoding],unknown_encoding)
你甚至可以用这个软件包做人脸的实时识别：
这里有一个实时识别的例子
安装
环境要求:
Python3.3+或者Python2.7
MacOS或者Linux（Windows不做支持，但是你可以试试，也许也能运行）
安装步骤
在Mac或Linux上安装
首先，确保你安装了dlib，以及该软件的Python绑定接口。如果没有的话，看这篇安装说明：
如何从macOS或Ubuntu上安装dlib
然后，使用pip3（Python 2的pip2）从pypi安装此模块：
pip3install face_recognition
如果你安装遇到问题，可以试试这个安装好了的虚拟机
在树莓派2+上安装
在树莓派2+上安装说明
在Windows上安装
虽然Windows不是官方支持的，但是有热心网友写出了一个Windows上的使用指南，请看这里：
@ masoudr的Windows 10安装指南（dlib + face_recognition）
使用已经配置好的虚拟机（支持VMWare和VirtualBox）
下载预配置的虚拟机映像（适用于VMware Player或VirtualBox）。
使用方法
命令行界面
如果你已经安装了face_recognition，那么你的系统中已经有了一个名为face_recognition的命令，你可以使用它对图片进行识别，或者对一个文件夹中的所有图片进行识别。
首先你需要提供一个文件夹，里面是所有你希望系统认识的人的图片。其中每个人一张图片，图片以人的名字命名：
接下来，你需要准备另一个文件夹，里面是你要识别的图片：
然后你就可以运行face_recognition命令了，把刚刚准备的两个文件夹作为参数传入，命令就会返回需要识别的图片中都出现了谁：
$ face_recognition ./pictures_of_people_i_know/./unknown_pictures//unknown_pictures/unknown.jpg,Barack Obama/face_recognition_test/unknown_pictures/unknown.jpg,unknown_person
输出中，识别到的每张脸都单独占一行，输出格式为<图片名称>,<人名>。 unknown_person 是一个与你的文件夹的已知人图像不匹配的人物。
调整公差/灵敏度
如果你正在为同一个人获得多个比较，那可能就是这样您的照片中的人看起来非常相似，容差值较低需要使脸部比较更严格。 你可以用--tolerance参数来做到这一点。默认容差值为0.6，较低的数字使脸部比较更严格：
$ face_recognition --tolerance0.54./pictures_of_people_i_know/./unknown_pictures//unknown_pictures/unknown.jpg,Barack Obama/face_recognition_test/unknown_pictures/unknown.jpg,unknown_person
如果要按顺序查看每次计算出的面距要调整公差设置，可以使用：--show-distancetrue
$ face_recognition --show-distancetrue./pictures_of_people_i_know/./unknown_pictures//unknown_pictures/unknown.jpg,Barack Obama,0.378542298956785/face_recognition_test/unknown_pictures/unknown.jpg,unknown_person,None
更多例子
如果你只想知道每张照片中的人的名字，但不要关心文件名，你可以这样做：
$ face_recognition ./pictures_of_people_i_know/./unknown_pictures/| cut -d','-f2Barack Obamaunknown_person
加快人脸识别
如果您有多个CPU内核的电脑，则可以并行完成脸部识别。例如，如果您的系统有4个CPU内核，您可以通过使用在相同的时间量内所有的CPU内核并行处理约4倍的图像。 如果您使用的是Python 3.4或更新版本，请传入参数：--cpus
$ face_recognition --cpus4./pictures_of_people_i_know/./unknown_pictures/
您还可以传入使用系统中的所有CPU内核。--cpus-1
Python模块
你可以通过导入face_recognition模块来使用它，使用方式超级简单，文档在这里API文件：
自动找到图片中所有的脸
import face_recognitionimage = face_recognition.load_image_file("my_picture.jpg")face_locations = face_recognition.face_locations(image)# face_locations is now an array listing the co-ordinates of each face!
看看这个例子自己实践一下，试试看。
你还可以自定义替换人类识别的深度学习模型。
注意：想获得比较好的性能的话，你可能需要GPU加速（使用英伟达的CUDA库）。所以编译的时候你也需要开启dlib的GPU加速选项。
import face_recognitionimage = face_recognition.load_image_file("my_picture.jpg")face_locations = face_recognition.face_locations(image, model="cnn")# face_locations is now an array listing the co-ordinates of each face!
你也可以通过这个例子实践一下，试试看。
如果你有很多图片和GPU，你也可以并行快速识别，看这篇文章。
自动识别人脸特征
import face_recognitionimage = face_recognition.load_image_file("my_picture.jpg")face_landmarks_list = face_recognition.face_landmarks(image)# face_landmarks_list is now an array with the locations of each facial feature in each face.# face_landmarks_list[0]['left_eye'] would be the location and outline of the first person's left eye.
试试这个例子，试试看。
识别人脸鉴定是哪个人
import face_recognitionpicture_of_me = face_recognition.load_image_file("me.jpg")my_face_encoding = face_recognition.face_encodings(picture_of_me)[0]# my_face_encoding now contains a universal 'encoding' of my facial features that can be compared to any other picture of a face!unknown_picture = face_recognition.load_image_file("unknown.jpg")unknown_face_encoding = face_recognition.face_encodings(unknown_picture)[0]# Now we can see the two face encodings are of the same person with `compare_faces`!results = face_recognition.compare_faces([my_face_encoding], unknown_face_encoding)if results[0] == True: print("It's a picture of me!")else:print("It's not a picture of me!")
这里是一个例子，试试看。
Python代码示例
所有的例子都在这里。
人脸检测
在照片中找到面孔
在照片中找到面孔（使用深度学习）
在GPU（使用深度学习）的图像批量查找面孔
面部特征
识别照片中的特定面部特征
应用（可怕的丑陋）数字化妆
面部识别
根据已知人的照片，查找并识别照片中的未知脸部
通过数字表面距离比较面部，而不是仅True / False匹配
使用您的网络摄像头识别实况视频中的人脸 - 简单/较慢版本（需要安装OpenCV）
使用您的网络摄像头识别实况视频中的人脸 - 更快的版本（需要安装OpenCV）
识别视频文件中的面孔并写出新的视频文件（需要安装OpenCV）
识别Raspberry Pi w /相机的面孔
运行Web服务通过HTTP识别面孔（需要安装Flask）
人脸识别如何运作
如果你想了解脸部位置和识别如何工作，而不是取决于黑匣子库，请阅读我的文章。
注意事项
面部识别模型是针对成年人进行培训的，对儿童的工作效果不佳。它倾向于使用默认比较阈值0.6来混合孩子很容易。
部署到云端主机（Heroku，AWS等）
由于face_recognition取决于使用dlibC ++编写的内容，将其用于云端托管服务商，如Heroku或AWS 部署应用程序可能很棘手。 为了使事情更容易，这个repo中有一个Dockerfile示例，显示如何在Docker容器中运行一个构建的应用程序face_recognition。因此，您应该可以部署支持Docker图像的任何服务。
常见问题
问题：使用face_recognition或运行示例时出现Illegal instruction(coredumped)
解决方案：dlib使用SSE4或AVX进行编译，但您的CPU太旧，不支持。 您需要更改dlib代码后重新编译这里概述代码更改。
问题：运行摄像头示例时出现RuntimeError: Unsupported image type, must be 8bit gray or RGB image.
解决方案：您的网络摄像机可能未正确使用OpenCV设置。在这里寻找更多帮助。 问题：运行pip2 install face_recognition时出现MemoryError
解决方案：face_recognition_models文件对于可用的缓存内存来说太大了。尝试使用以下方法pip2 --no-cache-dir install face_recognition来尽量避免这个问题。
问题：AttributeError: 'module' object has no attribute 'face_recognition_model_v1'
解决方案：dlib您安装的版本太旧了。您需要19.7或更新版本。升级dlib。
问题：AttributeError: 'Module' object has no attribute 'cnn_face_detection_model_v1'
解决方案：dlib您安装的版本太旧了。您需要19.7或更新版本。升级dlib。
问题：TypeError: imread() got an unexpected keyword argument 'mode'
解决方案：scipy您安装的版本太旧了。您需要版本0.17或更新版本。升级scipy。
谢谢
非常感谢戴维斯·金（@nulhom）创建dlib并提供训练有素的面部特征检测和此库中使用的脸部编码模型。有关ResNet上有关面部编码的更多信息，请查看他的博文。
感谢所有在Python数据科学图书馆工作的所有人，如data，scipy，scikit-image，pillow等，使得这种东西在Python中如此简单而有趣。
感谢Cookiecutter和audreyr / cookiecutter-pypackage项目模板，使Python项目打包方式更有效率。
face_recognitionPython人脸识别