GITHUB地址：https://github.com/ageitgey/face_recognition

安装

环境配置

Python 3.3+ or Python 2.7
macOS or Linux
Windows并不是我们官方支持的，但也许也能用

不同操作系统的安装方法

在 Mac 或者 Linux上安装本项目

First, make sure you have dlib already installed with Python bindings:

第一步，安装dlib和相关Python依赖：

如何在macOS或者Ubuntu上安装dlib

Then, install this module from pypi using pip3 (or pip2 for Python 2):

pip3 install face_recognition

如果你遇到了幺蛾子，可以用Ubuntu虚拟机安装本项目，看下面这个教程。如何使用Adam Geitgey大神提供的Ubuntu虚拟机镜像文件安装配置虚拟机，本项目已经包含在镜像中.

在 Mac 或者 Linux上安装本项目 2

修改你的pip镜像源为清华镜像，然后使用pip install face_recognition,可以自动帮你安装各种依赖，包括dlib。只是在安装dlib的时候可能会出问题，因为dlib需要编译，出现的问题一般是gcc或者g++版本的问题，所以在pip install face_recognition之前，可以通过在命令行键入

export CC=/usr/local/bin/gcc
export CXX=/usr/local/bin/g++

来指定你gcc和g++对应的位置，（这两句话会临时修改当前终端的环境变量/usr/local/bin/gcc对应你自己gcc或者g++所在目录）。

在树莓派上安装

树莓派安装指南

在Windows上安装

虽然本项目官方并不支持Windows，但一些大神们摸索出了在Windows上运行本项目的方法：

@masoudr写的教程：如何在Win10系统上安装 dlib库和 face_recognition项目

使用Ubuntu虚拟机镜像文件安装配置虚拟机，本项目已经包含在这个镜像中

如何使用Adam Geitgey大神提供的Ubuntu虚拟机镜像文件安装配置虚拟机，本项目已经包含在镜像中（需要电脑中安装VMWare Player 或者 VirtualBox）

使用方法

命令行界面

当你安装好了本项目，你可以使用两种命令行工具：

face_recognition - 在单张图片或一个图片文件夹中认出是谁的脸。
face_detection - 在单张图片或一个图片文件夹中定位人脸位置。

`face_recognition` 命令行工具

face_recognition命令行工具可以在单张图片或一个图片文件夹中认出是谁的脸。

首先，你得有一个你已经知道名字的人脸图片文件夹，一个人一张图，图片的文件名即为对应的人的名字：

然后，你需要第二个图片文件夹，文件夹里面是你希望识别的图片：

然后，你在命令行中切换到这两个文件夹所在路径，然后使用face_recognition命令行，传入这两个图片文件夹，然后就会输出未知图片中人的名字：

$ face_recognition ./pictures_of_people_i_know/ ./unknown_pictures/

/unknown_pictures/unknown.jpg,Barack Obama
/face_recognition_test/unknown_pictures/unknown.jpg,unknown_person

输出结果的每一行对应着图片中的一张脸，图片名字和对应人脸识别结果用逗号分开。

如果结果输出了unknown_person，那么代表这张脸没有对应上已知人脸图片文件夹中的任何一个人。

`face_detection` 命令行工具

face_detection命令行工具可以在单张图片或一个图片文件夹中定位人脸位置（输出像素点坐标）。

在命令行中使用face_detection，传入一个图片文件夹或单张图片文件来进行人脸位置检测：

$ face_detection  ./folder_with_pictures/

examples/image1.jpg,65,215,169,112
examples/image2.jpg,62,394,211,244
examples/image2.jpg,95,941,244,792

输出结果的每一行都对应图片中的一张脸，输出坐标代表着这张脸的上、右、下、左像素点坐标。

调整人脸识别的容错率和敏感度

如果一张脸识别出不止一个结果，那么这意味着他和其他人长的太像了（本项目对于小孩和亚洲人的人脸识别准确率有待提升）。你可以把容错率调低一些，使识别结果更加严格。

通过传入参数 --tolerance 来实现这个功能，默认的容错率是0.6，容错率越低，识别越严格准确。

$ face_recognition --tolerance 0.54 ./pictures_of_people_i_know/ ./unknown_pictures/

/unknown_pictures/unknown.jpg,Barack Obama
/face_recognition_test/unknown_pictures/unknown.jpg,unknown_person

如果你想看人脸匹配的具体数值，可以传入参数 --show-distance true：

$ face_recognition --show-distance true ./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

加速人脸识别运算

如果你的CPU是多核的，你可以通过并行运算加速人脸识别。例如，如果你的CPU有四个核心，那么你可以通过并行运算提升大概四倍的运算速度。

如果你使用Python3.4或更新的版本，可以传入 --cpus <number_of_cpu_cores_to_use> 参数：

$ face_recognition --cpus 4 ./pictures_of_people_i_know/ ./unknown_pictures/

你可以传入 --cpus -1参数来调用cpu的所有核心。

子豪兄批注：树莓派3B有4个CPU核心，传入多核参数可以显著提升图片识别的速度（亲测）。

Python 模块:`face_recognition`

在Python中，你可以导入face_recognition模块，调用我们提供的丰富的API接口，用几行代码就可以轻松玩转各种人脸识别功能！

API 接口文档: https://face-recognition.readthedocs.io

在图片中定位人脸的位置

import face_recognition

image = 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!

看案例：定位拜登的脸

你也可以使用深度学习模型达到更加精准的人脸定位。

注意：这种方法需要GPU加速（通过英伟达显卡的CUDA库驱动），你在编译安装dlib的时候也需要开启CUDA支持。

import face_recognition

image = 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!

看案例：使用卷积神经网络深度学习模型定位拜登的脸

如果你有很多图片需要识别，同时又有GPU，那么你可以参考这个例子：案例：使用卷积神经网络深度学习模型批量识别图片中的人脸.

识别单张图片中人脸的关键点

import face_recognition

image = 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.

看这个案例案例：提取奥巴马和拜登的面部关键点

识别图片中的人是谁

import face_recognition

picture_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!")

看这个案例案例：是奥巴马还是拜登？

Python 案例

所有案例都在这个链接中也就是examples文件夹.

人脸定位

人脸关键点识别

人脸识别

常用函数说明

face_recognition 人脸识别

api	说明
1 load_image_file	将img文件加载到numpy 数组中
2 face_locations	查找图像中所有面部和所有面部特征的位置
3 batch_face_locations	批次人脸定位函数（GPU）
4 face_landmarks	人脸特征提取函数
5 face_encodings	图像编码转为特征向量
6 compare_faces	特征向量比对
7 face_distance	计算特征向量差值

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。   参数：   file：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

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）。   参数：   face_image：输入的人脸图像   known_face_locations：可选参数，如果你知道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就会慢100倍）   返回值：   一个128维的脸部编码列表

人脸匹配函数——compare_faces

compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6)

   比较脸部编码列表和候选编码，看看它们是否匹配，设置一个阈值，若两张人脸特征向量的距离，在阈值范围之内，则认为其 是同一个人   参数：   known_face_encodings：已知的人脸编码列表   face_encoding_to_check：待进行对比的单张人脸编码数据   tolerance=0.6：两张脸之间有多少距离才算匹配。该值越小对比越严格，0.6是典型的最佳值   返回值：   一个 True或者False值的列表，该表指示了known_face_encodings列表的每个成员的匹配结果

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。   参数：   face_image：输入的人脸图像   number_of_times_to_upsample=1：从图片的样本中查找多少次人脸，该参数的值越高的话越能发现更小的人脸   model="hog"：使用哪种人脸检测模型。“hog” 准确率不高，但是在CPU上运行更快，“cnn” 更准确更深度（且GPU/CUDA加速，如果有GPU支持的话），默认是“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   参数：   face_images：输入多张人脸图像组成的list   number_of_times_to_upsample=1：从图片的样本中查找多少次人脸，该参数的值越高的话越能发现更小的人脸   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)

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   参数：   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。   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（如上输出中，nose_bridge对应的关键点位置组成的列表为[(881L, 128L), (880L, 141L), (880L, 154L), (879L, 167L)]  ）

计算特征相识度差值——face_distance

例子1-人脸识别和特征匹配

import face_recognition# 加载2张已知面孔的图片
known_obama_image = face_recognition.load_image_file("obama.jpg")
known_biden_image = face_recognition.load_image_file("biden.jpg")# 计算图片对应的编码
obama_face_encoding = face_recognition.face_encodings(known_obama_image)[0]
biden_face_encoding = face_recognition.face_encodings(known_biden_image)[0]known_encodings = [
    obama_face_encoding,
    biden_face_encoding
]# 加载一张未知面孔的图片
image_to_test = face_recognition.load_image_file("obama2.jpg")
# 计算图片对应的编码
image_to_test_encoding = face_recognition.face_encodings(image_to_test)[0]# 计算未知图片与已知的2个面孔的距离
face_distances = face_recognition.face_distance(known_encodings, image_to_test_encoding)for i, face_distance in enumerate(face_distances):
    print("The test image has a distance of {:.2} from known image #{}".format(face_distance, i))
    print("- With a normal cutoff of 0.6, would the test image match the known image? {}".format(face_distance < 0.6))
    print("- With a very strict cutoff of 0.5, would the test image match the known image? {}".format(face_distance < 0.5))
    print()

结果

 The test image has a distance of 0.35 from known image #0 （与#0面孔差异为0.35，在相似度阈值分别为 0.6和0.5的情形下，都可以认为与#0是同一人）
- With a normal cutoff of 0.6, would the test image match the known image? True
- With a very strict cutoff of 0.5, would the test image match the known image? True
The test image has a distance of 0.82 from known image #1（与#1面孔差异为0.82，在相似度阈值分别为 0.6和0.5的情形下，都不认为与#1是同一人）
- With a normal cutoff of 0.6, would the test image match the known image? False
- With a very strict cutoff of 0.5, would the test image match the known image? False

例子2-特征点检测和美颜

import face_recognition
from PIL import Image, ImageDraw# Load the jpg file into a numpy array
image = face_recognition.load_image_file("tt3.jpg")# Find all facial features in all the faces in the image
face_landmarks_list = face_recognition.face_landmarks(image)for face_landmarks in face_landmarks_list:
    # Create a PIL imageDraw object so we can draw on the picture
    pil_image = Image.fromarray(image)
    d = ImageDraw.Draw(pil_image, 'RGBA')    # 画个浓眉
    d.polygon(face_landmarks['left_eyebrow'], fill=(68, 54, 39, 128))
    d.polygon(face_landmarks['right_eyebrow'], fill=(68, 54, 39, 128))
    d.line(face_landmarks['left_eyebrow'], fill=(68, 54, 39, 150), width=5)
    d.line(face_landmarks['right_eyebrow'], fill=(68, 54, 39, 150), width=5)    # 涂个性感的嘴唇
    d.polygon(face_landmarks['top_lip'], fill=(150, 0, 0, 128))
    d.polygon(face_landmarks['bottom_lip'], fill=(150, 0, 0, 128))
    d.line(face_landmarks['top_lip'], fill=(150, 0, 0, 64), width=8)
    d.line(face_landmarks['bottom_lip'], fill=(150, 0, 0, 64), width=8)    # 闪亮的大眼睛
    d.polygon(face_landmarks['left_eye'], fill=(255, 255, 255, 30))
    d.polygon(face_landmarks['right_eye'], fill=(255, 255, 255, 30))    # 画眼线
    d.line(face_landmarks['left_eye'] + [face_landmarks['left_eye'][0]], fill=(0, 0, 0, 110), width=6)
    d.line(face_landmarks['right_eye'] + [face_landmarks['right_eye'][0]], fill=(0, 0, 0, 110), width=6)    pil_image.show()

使用face_recognition快速使用人脸识别搭建应用

安装

环境配置

不同操作系统的安装方法

在 Mac 或者 Linux上安装本项目

在 Mac 或者 Linux上安装本项目 2

在树莓派上安装

在Windows上安装

使用Ubuntu虚拟机镜像文件安装配置虚拟机，本项目已经包含在这个镜像中

使用方法

命令行界面

`face_recognition` 命令行工具

`face_detection` 命令行工具

调整人脸识别的容错率和敏感度

更多的例子

加速人脸识别运算

Python 模块:`face_recognition`

在图片中定位人脸的位置

识别单张图片中人脸的关键点

识别图片中的人是谁

Python 案例

人脸定位

人脸关键点识别

人脸识别

常用函数说明

face_recognition 人脸识别

图像载入函数——load_image_file

人脸编码函数——face_encodings

人脸匹配函数——compare_faces

人脸定位函数——face_locations

批次人脸定位函数（GPU）——batch_face_locations

人脸特征提取函数——face_landmarks

计算特征相识度差值——face_distance

例子1-人脸识别和特征匹配

例子2-特征点检测和美颜

基于OpenCv的人脸识别

TensorFlow的inception v3的使用

maosi

Comments | NOTHING

取消回复

安装

环境配置

不同操作系统的安装方法

在 Mac 或者 Linux上安装本项目

在 Mac 或者 Linux上安装本项目 2

在树莓派上安装

在Windows上安装

使用Ubuntu虚拟机镜像文件安装配置虚拟机，本项目已经包含在这个镜像中

使用方法

命令行界面

face_recognition 命令行工具

face_detection 命令行工具

调整人脸识别的容错率和敏感度

更多的例子

加速人脸识别运算

Python 模块:face_recognition

在图片中定位人脸的位置

识别单张图片中人脸的关键点

识别图片中的人是谁

Python 案例

人脸定位

人脸关键点识别

人脸识别

常用函数说明

face_recognition 人脸识别

图像载入函数——load_image_file

人脸编码函数——face_encodings

人脸匹配函数——compare_faces

人脸定位函数——face_locations

批次人脸定位函数（GPU）——batch_face_locations

人脸特征提取函数——face_landmarks

计算特征相识度差值——face_distance

例子1-人脸识别和特征匹配

例子2-特征点检测和美颜

基于OpenCv的人脸识别

TensorFlow的inception v3的使用

maosi

Comments | NOTHING

取消回复

`face_recognition` 命令行工具

`face_detection` 命令行工具

Python 模块:`face_recognition`