face_recognition

face_recognition 是一个非常流行的 Python 库，专门用于人脸识别任务。它基于 dlib 库和 HOG（Histogram of Oriented Gradients）特征以及深度学习模型，提供了简单易用的接口来进行人脸检测、面部特征点定位和人脸识别。face_recognition 库由 Adam Geitgey 开发，旨在简化人脸识别任务，使其更加容易上手。

功能介绍

人脸检测：
- 检测图像中的人脸位置。
- 支持使用 HOG 特征或 CNN（卷积神经网络）进行人脸检测。
面部特征点定位：
- 检测人脸上的关键特征点（如眼睛、鼻子、嘴巴等）。
人脸识别：
- 提取人脸的特征向量（128维），并用于比较不同人脸之间的相似度。
- 支持从图像或视频中识别特定的人脸。

与opencv的关系

face_recognition 和 OpenCV 是两个独立的计算机视觉库，但它们在功能上有一些重叠，并且经常一起使用来完成复杂的视觉任务。下面简要介绍两者的联系：

在实际应用中，经常组合使用，以发挥各自的优势：

图像预处理：通常情况下，我们会先使用 OpenCV 对图像进行预处理，比如调整大小、灰度化、去噪等。这些预处理步骤有助于提高后续人脸识别的准确率。
人脸检测与识别：预处理后的图像可以传递给 face_recognition 库来执行人脸检测和识别。以高效地完成任务，并返回人脸位置、面部特征点等信息。
结果可视化：最后，我们可以再次利用 OpenCV 来对识别结果进行可视化处理，例如在图像上画出人脸框、标注识别到的名字等。

API

检测人脸

face_recognition.face_locations(img, number_of_times_to_upsample=1, model='hog')

功能：检测图像中的人脸位置。
参数：
- img：图像的 NumPy 数组。
- number_of_times_to_upsample：图像上采样的次数，用于提高检测精度。
- model：使用的模型，可以是 'hog'（默认）或 'cnn'。
返回：一个列表，每个元素是一个 (top, right, bottom, left) 的元组，表示人脸的位置

import face_recognition
import cv2
import numpy as np

image = cv2.imread('pic/test.jpg')

# 读取人脸位置
face_location = face_recognition.face_locations(image)
print(face_location)

for (top, right, bottom, left) in face_location:
    cv2.rectangle(image, (left, top), (right, bottom), (0, 0, 255), 2)

cv2.imshow('image', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

提取人脸特征

face_recognition.face_encodings(img, known_face_locations=None, num_jitters=1, model='small')

功能：提取图像中人脸的特征向量。
参数：
- img：图像的 NumPy 数组。
- known_face_locations：人脸位置的列表，如果为 None，则自动检测人脸位置。
- num_jitters：对每个人脸进行多次编码以提高精度。
- model：使用的模型，可以是 'small' 或 'large'（默认）。
返回：一个列表，每个元素是一个 128 维的特征向量。

image = cv2.imread('pic/test.jpg')

face_location = face_recognition.face_locations(image)
# 提取人脸特征码
face_encodings = face_recognition.face_encodings(image)[0]

print(face_encodings)

计算人脸相似度

计算两张人脸的欧几里得距离

np.linalg.norm(face_recognitions1 - face_recognitions2)

# 第一张图片
img1 = cv2.imread('person1.jpg')
face_recognitions1 = face_recognition.face_encodings(img1)[0]

# 第二张图片
img2 = cv2.imread('person2.jpg')
face_recognitions2 = face_recognition.face_encodings(img2)[0]

# 计算两张人脸编码的欧几里得距离
distance = np.linalg.norm(face_recognitions1 - face_recognitions2)
print(distance)

计算人脸匹配程度

face_recognition.compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6)

功能：比较已知人脸特征向量和待检测人脸特征向量，判断是否匹配。

参数：

known_face_encodings：已知人脸特征向量的列表。
face_encoding_to_check：待检测的人脸特征向量。
tolerance（容忍）：匹配的阈值，范围是 0.0 到 1.0，值越小表示匹配要求越高。

返回：一个布尔值列表，表示待检测人脸特征向量是否与已知人脸特征向量匹配

# 已知人脸
known_image = cv2.imread('person1.jpg')
face_recognitions1 = face_recognition.face_encodings(known_image)[0]

# 未知人脸
unknown_image = cv2.imread('person2.jpg')
face_recognitions2 = face_recognition.face_encodings(unknown_image)

# 计算人脸是否匹配
result = face_recognition.compare_faces([face_recognitions1], face_recognitions2[0], tolerance=0.2)
print(result)

注意：

提取提取已知人脸图片的人脸特征码要获取下标为 0 的数值

提取未知人脸图片的人脸特征码不获取小标

在计算匹配的时候传入到函数的参数，已知人脸图片的人脸特征码获取放入到列表中，未知获取下标为0的数值

您可能感兴趣的与本文相关的镜像