基于face_recognition的人脸识别

 

 

目录

一.简要介绍

二.相关函数

三.算法流程

四.代码实现

五.效果展示

---

一.简要介绍

face_recognition 是一个基于Python的开源人脸识别库，它使用dlib库中的深度学习模型来实现人脸识别功能。这个库以其简洁的API和高效的性能而广受欢迎，成为许多开发者和研究者的首选工具。face_recognition库的主要功能包括：

1. 人脸检测：识别图像中所有的人脸并返回其位置信息。
2. 人脸编码：将检测到的人脸转换成128维的向量，这个向量可以用于比较人脸。
3. 人脸比较：比较两个人脸编码的相似度，判断是否为同一人。

face_recognition库在Labeled Faces in the Wild（LFW）人脸数据集上的离线识别率高达到99.38%，显示了其高精度的识别能力。此外，该库还支持从图像或视频中识别特定的人脸。face_recognition库不仅支持离线识别，还具备实时处理的能力，可以轻松集成到各种网络应用中。它兼容Python 2.7和Python 3.3+，并且支持macOS和Linux操作系统，虽然Windows不是官方支持的，但某些解决方案可能使其在Windows上也能运行。总的来说，face_recognition是一个功能强大且易于使用的人脸识别工具，适用于多种应用场景。

---

二.相关函数

face_recognition官方API文档：https://pypi.org/project/face_recognition/

 

(1)图像载入函数——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

flie：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

 

(2)人脸定位函数——face_locations

face_locations(face_image,number_of_times_to_upsample=1,model='hog')

利用CNN深度学习模型或者方向梯度直方图(Histogram of Oriented Gradient,HOG)进行人脸提取。返回值是一个数组(top,right,bottom,left)表示人脸所在边框的四条边的位置
​​​face_image：输入的人脸图像

number_of_times_to_upsample=1：从图片样本中查找多少次人脸，该参数的值越高越能发现更小的人脸

model='hog'：使用哪种人脸检测模型。'hog'准确率并不是很高，但是在CPU上运行更快。'cnn'更准确更深度,支持GPU/CUDA加速。默认参数为'hog'

返回值：一个元组列表，列表中的每个元组包含人脸的四边位置(top,right,bottom,left)

批次人脸定位函数(GPU)——batch_face_locations

batch_face_locations(face_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

face_images：输入多张人脸图像组成的list，每个成员都是一个numpy array类型

number_of_times_to_upsample=1：同上

batch_size=128：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四边位置(top,right,bottom,left)

 

(3)人脸特征提取函数——face_landmarks

face_landmarks(face_image,face_locations=None,model="large")

给定一个图像，提取图像中每个人脸的脸部特征位置

face_image：输入的人脸图片

face_locations=None：可选参数，默认值为None，代表默认解码图片中的每一个人脸。若输入face_locations()[i]可指定人脸进行解码

model="large"：输出的特征模型，默认为“large”，可选“small”。当选择为"small"时，只提取左眼、右眼、鼻尖这三种脸部特征。68个关键点or5个关键点

返回值：

返回值类型为：List[Dict[str,List[Tuple[Any,Any]]]]，是由各个脸部特征关键点位置组成的字典记录列表，一个Dict对象对应图片中的一个人脸，其key为某个脸部特征（如输出中的nose_bridge、left_eye等），value是由该脸部特征各个关键点位置组成的List，关键点位置是一个Tuple（比如nose_bridge对应的关键点位置组成的列表为[(881L, 128L), (880L, 141L), (880L, 154L), (879L, 167L)]  ）

 

(4)人脸编码函数——face_encodings
face_encodings(face_image,known_face_locations=None,num_jitters=1)

给定一个图像，返回图像中每个人脸的128脸部编码(特征向量)

face_image：输入的人脸图像

known_face_locations：可选参数，如果已知每个人脸所在的边界框

num_jitters=1：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就慢100倍)

返回值：

一个128维的脸部编码列表

 

(5)人脸特征向量距离函数——face_distance

face_distance(face_encodings,face_to_compare)

给定一组面部编码，将它们与已经的面部编码进行比较，得到欧氏距离。对于每一个比较的脸，欧氏距离代表这些脸有多相似。

face_encodings：输入的人脸图片

face_to_compare：待进行对比的单张人脸编码数据

tolerance：对比阈值，即两张脸之间有多少距离才算匹配。