人脸识别库 face_recognition

face_recognition

Windows系统环境下安装

默认环境：anaconda的python3.7版本，win10环境

第一步：安装dlib

1. 从网络上下载：

http://dlib.net/ 或者 https://github.com/davisking/dlib

1. 下载完成后解压

2. 编译：打开终端，是使用anaconda的python环境定位到dlib文件夹，使用 pyhton setup.py install 安装文件。

3. 在安装过程遇到的问题：

   1. 找不到cmake的问题

      官网下载安装包：[https://cmake.org/download/]

      下载完成之后，解压缩，然后将cmake的bin文件夹添加在系统环境路径中。

4. 从新使用 pyhton setup.py install 安装文件。

第二步：安装face_recognition

使用 pip install face_recognition 安装即可。

用法

1. 导入face_recognition

import face_recognition

1. 加载图像

图像加载到一个 numpy 数组中

image = face_recognition.load_image_file("your_file.jpg")

1. 对图片进行操作

batch_face_locations

使用 cnn 人脸检测器返回图像中人脸边界框的二维数组 ，使用GPU批量处理图像

face_recognition.api.batch_face_locations(images, number_of_times_to_upsample=1, batch_size=128)

参数：

• images：图像列表
• number_of_times_to_upsample： 在图像上寻找人脸的次数 ， 数字越大，查找精细
• batch_size： 每个 GPU 处理批次中包含多少图像

返回：

​ 以 css（上、右、下、左）顺序找到的人脸位置的元组列表

compare_faces

面部编码列表与候选编码进行比较，看看它们是否匹配。

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

参数：

• known_face_encodings： 已知人脸编码列表
• face_encoding_to_check： 要与列表进行比较的单个人脸编码
• tolerance： 人脸之间的距离多少才算是匹配。越低越严格。0.6 是典型的最佳性能

返回：

​ True/False 值列表

face_distance

给定一个人脸编码列表，将它们与已知的人脸编码进行比较，并获得每个比较人脸的欧几里德距离。距离告诉您面孔的相似程度。

face_recognition.api.face_distance( face_encodings , face_to_compare )

参数：

​ face_encodings： 要比较的人脸编码列表

​ face_to_compare： 要比较的人脸编码

返回：

​ 一个 numpy ndarray，每个面的距离与 'faces' 数组的顺序相同

face_encodings

给定一个图像，返回图像中每个人脸的 128 维人脸编码。

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

参数：

​ face_image： 包含一张或多张人脸的图像

​ known_face_locations： 可选 - 已经知道每个人脸的边界框。

​ num_jitters： 计算编码时对人脸重新采样的次数。更高更准确，但更慢（即 100 慢 100 倍）

​ model： 可选 - 要使用的模型。“ large ”或“ small ”（默认）仅返回 5 个点，但速度更快。

返回：

​ 128 维人脸编码列表（图像中的每个人脸编码一个）

face_landmarks

给定一个图像，返回图像中每个人脸特征位置（眼睛、鼻子等）的字典

face_recognition.api.face_landmarks( face_image , face_locations=None , model='large' )

参数：

​ face_image： 要搜索的图像

​ face_locations： 可选择提供要检查的人脸位置列表。

​ model： 可选 - 要使用的模型。“large ”（默认）或“small”仅返回 5 个点但速度更快。

返回：

​ 面部特征位置（眼睛、鼻子等）的字典列表

face_locations

返回图像中人脸的边界框数组

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

参数：

​ img： 图像（作为 numpy 数组）

​ number_of_times_to_upsample：在图像上寻找人脸的次数。较高的数字会发现较小的面孔。

​ model： 要使用的人脸检测模型。“hog”在 CPU 上不太准确但速度更快。“cnn”是一种更准确的深度学习模型，它经过 GPU/CUDA 加速（如果可用）。 默认为“hog”

返回：

​ 以 css（上、右、下、左）顺序找到的人脸位置的元组列表

load_image_file

将图像文件（.jpg、.png 等）加载到 numpy 数组中

face_recognition.api.load_image_file(file,model='RGB')

参数：

​ file： 要加载的图像文件名或文件对象

​ model： 将图像转换为的格式。仅支持“RGB”（8 位 RGB，3 通道）和“L”（黑白）。

返回：

​ 图像内容作为 numpy 数组