用Python实现一个简单的——人脸相似度对比

关注

原创最新推荐文章于 2026-04-27 09:27:05 发布 1.7k 阅读 AI 写同款· GEO 优化 ›

Siamese网络实战：用Python手把手教你实现人脸相似度对比（附完整代码）本文详细介绍了如何使用Siamese网络（孪生神经网络）实现人脸相似度对比，包括环境配置、数据预处理、网络架构设计、模型训练技巧和实际应用优化。通过PyTorch框架，从零构建可商用的人脸对比系统，附完整代码和预训练模型，帮助开发者快速掌握这一技术。阅读详情

近几年来，兴起了一股人工智能热潮，让人们见到了AI的能力和强大，比如图像识别，语音识别，机器翻译，无人驾驶等等。总体来说，AI的门槛还是比较高，不仅要学会使用框架实现，更重要的是，需要有一定的数学基础，如线性代数，矩阵，微积分等。

幸庆的是，国内外许多大神都已经给我们造好“轮子”，我们可以直接来使用某些模型。今天就和大家交流下如何实现一个简易版的人脸对比，非常有趣！

整体思路：

1、预先导入所需要的人脸识别模型；

2、遍历循环识别文件夹里面的图片，让模型“记住”人物的样子；

3、输入一张新的图像，与前一步文件夹里面的图片比对，返回最接近的结果。

使用到的第三方模块和模型：

1、模块：os,dlib,glob,numpy；

2、模型：人脸关键点检测器，人脸识别模型。

第一步：导入需要的模型。

这里解释一下两个dat文件：

它们的本质是参数值（即神经网络的权重）。人脸识别算是深度学习的一个应用，事先需要经过大量的人脸图像来训练。所以一开始我们需要去设计一个神经网络结构，来“记住”人类的脸。

对于神经网络来说，即便是同样的结构，不同的参数也会导致识别的东西不一样。在这里，这两个参数文件就对应了不同的功能（它们对应的神经网络结构也不同）：

shape_predictor.dat这个是为了检测人脸的关键点，比如眼睛，嘴巴等等；dlib_face_recognition.dat是在前面检测关键点的基础上，生成人脸的特征值。

所以后面使用dlib模块的时候，其实就是相当于，调用了某个神经网络结构，再把预先训练好的参数传给我们调用的神经网络。顺便提一下，在深度学习领域中，往往动不动会训练出一个上百M的参数模型出来，是很正常的事。

import os,dlib,glob,numpy
from skimage import io

# 人脸关键点检测器
predictor_path = "shape_predictor.dat"
# 人脸识别模型、提取特征值
face_rec_model_path = "dlib_face_recognition.dat"
# 训练图像文件夹
faces_folder_path ='train_images' 

# 加载模型
detector = dlib.get_frontal_face_detector()
sp = dlib.shape_predictor(predictor_path)
facerec = dlib.face_recognition_model_v1(face_rec_model_path)

第二步：对训练集进行识别。

在这一步中，我们要完成的是，对图片文件夹里面的人物图像，计算他们的人脸特征，并放到一个列表里面，为了后面可以和新的图像进行一个距离计算。关键地方会加上注释，应该不难理解。

candidate = []         # 存放训练集人物名字
descriptors = []       #存放训练集人物特征列表

for f in glob.glob(os.path.join(faces_folder_path,"*.jpg")):
    print("正在处理: {}".format(f))
    img = io.imread(f)
    candidate.append(f.split('\\')[-1].split('.')[0])
    # 人脸检测
    dets = detector(img, 1)
    for k, d in enumerate(dets): 
        shape = sp(img, d)
        # 提取特征
        face_descriptor = facerec.compute_face_descriptor(img, shape)
        v = numpy.array(face_descriptor) 
        descriptors.append(v)

print('识别训练完毕！')

当你做完这一步之后，输出列表descriptors看一下，可以看到类似这样的数组，每一个数组代表的就是每一张图片的特征量（128维）。然后我们可以使用L2范式（欧式距离），来计算两者间的距离。

举个例子，比如经过计算后，A的特征值是[x1,x2,x3],B的特征值是[y1,y2,y3], C的特征值是[z1,z2,z3]。

那么由于A和B更接近，所以会认为A和B更像。想象一下极端情况，如果是同一个人的两张不同照片，那么它们的特征值是不是应该会几乎接近呢？知道了这一点，就可以继续往下走了。

第三步：处理待对比的图片。

其实是同样的道理，如法炮制，目的就是算出一个特征值出来，所以和第二步差不多。然后再顺便计算出新图片和第二步中每一张图片的距离，再合成一个字典类型，排个序，选出最小值，搞定收工！

try:
##    test_path=input('请输入要检测的图片的路径（记得加后缀哦）:')
    img = io.imread(r".\test_images\test6.jpg")
    dets = detector(img, 1)
except:
    print('输入路径有误，请检查！')

dist = []
for k, d in enumerate(dets):
    shape = sp(img, d)
    face_descriptor = facerec.compute_face_descriptor(img, shape)
    d_test = numpy.array(face_descriptor) 
    for i in descriptors:                #计算距离
        dist_ = numpy.linalg.norm(i-d_test)
        dist.append(dist_)

# 训练集人物和距离组成一个字典
c_d = dict(zip(candidate,dist))                
cd_sorted = sorted(c_d.items(), key=lambda d:d[1])
print ("识别到的人物最有可能是: ",cd_sorted[0][0])

这里我用了一张“断水流大师兄”林国斌的照片，识别的结果是，果然，是最接近黎明了（嘻嘻，我爱黎明）。但如果你事先在训练图像集里面有放入林国斌的照片，那么出来的结果就是林国斌了。