人脸识别face_recognition库环境搭建

基础环境

        该实验是在Anaconda或Miniconda独立环境中测试部署的，由于Anaconda或Miniconda环境部署网上资料较多，这里就不在赘述。

环境搭建

        1、创建python独立环境命令：

conda create -n py310 python=3.10 -y

        2、进入新创建的python独立环境命令：

conda activate py310

        查看当前python独立环境的相关库如下：

        3、由于face_recognition依赖dlib库；而dlib库pip安装比较容易报错，因此用conda install 安装。命令如下：

conda install -c conda-forge dlib==19.24.0

        执行成功后conda list查看所包含库如下：

        测试库相关截图如下：

        4、安装face_recognition库及第三方依赖库命令如下：

pip install face_recognition==1.3.0 setuptools==75.8.0 opencv-python==4.11.0.86 -i https://pypi.tuna.tsinghua.edu.cn/simple

        执行成功后pip list查看所包含库如下：

案例测试

        上述过程完成了环境的搭建，下来用一个简单案例测试一下环境是否搭建成功。

        1、测试dlib库的简单代码如下：

import dlib
import cv2  # 用于图像读取和显示

# 1. 加载 dlib 的人脸检测器（基于 HOG 特征 + 线性分类器）
detector = dlib.get_frontal_face_detector()

# 2. 读取图片文件（替换为你的图片路径）
image_path = "1.jpeg"  # 示例图片，需用户自行准备
image = cv2.imread(image_path)

# 检查图片是否加载成功
if image is None:
    print(f"错误：无法读取图片文件 '{image_path}'，请检查路径！")
    exit()

# 3. 将图片转换为 dlib 的格式（HOG 检测器需要）
image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)


# 4. 执行人脸检测
# 参数说明：1 表示图像金字塔上采样次数（检测更小人脸）
faces = detector(image_gray, 1)

# 5. 在图片上标注检测到的人脸
for face in faces:
    # 获取人脸边界框坐标
    x, y, w, h = face.left(), face.top(), face.width(), face.height()
    # 用绿色矩形框标注人脸
    cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)

# 6. 显示结果
cv2.imwrite("result_fr.jpeg", image)


# 7. 输出检测结果
print(f"检测到 {len(faces)} 张人脸！")

执行上述代码运行如下：

2、测试face_recognition库的简单代码如下：

import face_recognition

class FaceCompare:
    """人脸特征比对工具类
    
    Attributes:
        known_face_encoding (numpy.ndarray): 已知人脸编码
        unknown_face_encoding (numpy.ndarray): 待识别人脸编码
        tolerance (float): 相似度阈值(默认0.6)
    """
    
    def __init__(self, known_image_path, unknown_image_path, tolerance=0.6):
        """初始化人脸编码器
        
        Args:
            known_image_path (str): 基准图像路径
            unknown_image_path (str): 待比对图像路径
            tolerance (float, optional): 匹配阈值
        """
        self.known_face_encoding = None
        self.unknown_face_encoding = None
        self.tolerance = tolerance
        
        try:
            known_image = face_recognition.load_image_file(known_image_path)
            self.known_face_encoding = face_recognition.face_encodings(known_image)[0]
        except IndexError:
            print("错误：基准图像未检测到人脸")
        except Exception as e:
            print(f"基准图像加载失败: {e}")
            
        try:
            unknown_image = face_recognition.load_image_file(unknown_image_path)
            self.unknown_face_encoding = face_recognition.face_encodings(unknown_image)[0]
        except IndexError:
            print("错误：待比对图像未检测到人脸")
        except Exception as e:
            print(f"待比对图像加载失败: {e}")
    
    def compare(self):
        """执行人脸特征比对
        
        Returns:
            tuple: (匹配结果bool, 相似度float)
        """

        # 返回比较结果    
        # match_result = face_recognition.compare_faces([self.known_face_encoding],  self.unknown_face_encoding, tolerance=self.tolerance)
        
        match_score = face_recognition.face_distance([self.known_face_encoding], self.unknown_face_encoding)
        similarity = 1.0 - abs(match_score)  # 标准化相似度
        print(f"self.tolerance : {self.tolerance}, similarity : {similarity}")
        return similarity > self.tolerance, similarity

if __name__ == "__main__":
    comparator = FaceCompare(
        known_image_path=r"./pic/bao1.png",
        unknown_image_path=r"./pic/bao2.png"
    )
    is_match, score = comparator.compare()
    print(f"匹配结果: {is_match}\n相似度: {score}")

        执行上述代码运行如下：