face_recognition是一個強大、簡單、易上手的人臉識別開源項目，并且配備了完整的開發文檔和應用案例，特別是兼容樹莓派系統。 face_recognition一經開源發布就得到的廣泛的熱捧，使用簡單，功能強大成為其非常顯著的標簽。face_recognition對于公司或者是一些工程實踐性的應用場景來說是非常好用好上手的利器，不需要你有太多的理論基礎就可以比較輕松地去完成一個識別項目，所以今天我們專門來講解一下。

首先face_recognition項目開源地址是：https://github.com/ageitgey/face_recognition

網上有比較完整的API說明以及實例應用，我這里就不多去說明了。首先，使用face_recognition需要安裝，可以通過pip完成。

安裝完成后就可以使用了，在編碼前可以通過簡單的測試來檢驗是否安裝成功，如下所示：

成功安裝后，就可以進入使用了。

1、定位圖像中的人臉

def demoFunc（）：

‘’‘

在一張包含人臉的圖片中圈出來人臉

’‘’

image = face_recognition.load_image_file（“test.jpg”）

face_locations = face_recognition.face_locations（image）

for one in face_locations：

y0， x1， y1， x0=one

cv2.rectangle（image， pt1=（x0， y0）， pt2=（x1， y1）， color=（0， 0， 255）， thickness=3）

cv2.imshow（‘aaa’， image）

if cv2.waitKey（0） & 0xFF == ord（‘q’）：

cv2.destroyAllWindows（）

感覺還是很強大的，當然了，在我實踐的過程中也發現了部分圖像識別檢測人臉失敗的問題，這個畢竟不是一個百分之百的問題，face_recognition更像是一個基礎框架，幫助我們更加高效地去構建自己的人臉識別的相關應用。

2、切割圖像中的每個人臉保存本地

def demoFunc（）：

‘’‘

圖片中人臉截圖保存

’‘’

img = cv2.imread（“test.jpg”）

image = face_recognition.load_image_file（“test.jpg”）

face_locations = face_recognition.face_locations（image） #（top， right， bottom， left）

for i in range（len（face_locations））：

y0， x1， y1， x0 = face_locations［i］

cropped = img.crop（（x0，y0，x1，y1）） # （left， upper， right， lower） 左上角 右下角

cropped.save（str（i）+“_.jpg”）

cropped.show（）

使用的原始圖像同上，結果如下所示：

五張人臉都檢測成功，并且保存成功，這里主要是要注意一些face_locations這個函數的返回結果，返回的子列表中每個子列表包含4個元素，分別是單張人臉圖像的左上頂點和右下頂點坐標，主要需要注意的是這四個參數的順序，我給出來的結果中（x0，y0）表示左上頂點的坐標，（x1，y1）表示右下頂點的坐標。

3、將圖像中的每個人臉編碼成一個128維的向量

def demoFunc（）：

‘’‘

將圖片中的每張人臉編碼成一個128維長度的向量

’‘’

image = face_recognition.load_image_file（“cl.jpg”）

face_locations = face_recognition.face_locations（image） #（top， right， bottom， left）

face_encodings = face_recognition.face_encodings（image， face_locations） #將單個人臉數據轉化為一個128維的向量

for one in face_encodings：

print（‘one： ’，one）

進行到這里就不得不去講一下face_recognition的一些應用原理，下面是我的一些總結，如有不當歡迎指教。

face_recognition模塊人臉識別應用實現的原理：

（１） 給定想要識別的人臉的圖片并對其進行編碼（每個人只需要一張），并將這些不同的人臉編碼構建成一個列表。編碼其實就是將人臉圖片映射成一個１２８維的特征向量。

（２） 計算圖像向量之間的相似度根據閾值或者是容錯度來決定是否是同一個人。

（３） 輸出識別結果標簽。

毫不夸張地說，face_recognition整個的核心就在于這一塊的向量化處理中，輸入的每一張人臉圖像都會被轉化為一個128維的特征向量進行存儲，128維特征向量的生成也是一個算法在里面的感興趣的話可以去查一下深入了解一下，我這里就不展開了，之后的人臉識別就轉化為了兩個人臉圖像之間向量相似度的問題了。

這里使用一張成龍大哥的圖像來進行測試，原始圖像如下所示：

向量化結果如下：

如果自己想要構建自己的個性化應用的話一般會選擇在這里進行改造，首先就是需要保存這里的特征向量。

4、輸入兩張人臉圖像，判斷是否是同一個人

def demoFunc（one_pic=‘c1.jpg’，two_pic=‘c2.jpg’）：

‘’‘

給定兩張圖片，判斷是否是同一個人

’‘’

chenglong = face_recognition.load_image_file（one_pic）

unknown_image = face_recognition.load_image_file（two_pic）

biden_encoding = face_recognition.face_encodings（chenglong）［0］

unknown_encoding = face_recognition.face_encodings（unknown_image）［0］

results = face_recognition.compare_faces（［biden_encoding］， unknown_encoding）

print（‘results： ’，results）

return results［0］

這里其實跟上面第三部分的有點相似，這部分是建立在第三部分基礎上的只不過是自帶了compare_faces這個相似度計算接口，這里其實可以自己去實現替換的。

同樣，使用了兩張成龍大哥的圖像來進行測試，原始圖像如下所示：

測試結果如下：

5、臉部關鍵點識別和標注

def demoFunc（pic_path=‘cl.jpg’）：

‘’‘

臉部關鍵點識別、標注

’‘’

image = face_recognition.load_image_file（pic_path）

face_landmarks_list = face_recognition.face_landmarks（image）

print（“I found {} face（s） in this photograph.”.format（len（face_landmarks_list）））

pil_image = Image.fromarray（image）

d = ImageDraw.Draw（pil_image）

for face_landmarks in face_landmarks_list：

for facial_feature in face_landmarks.keys（）：

print（“The {} in this face has the following points： {}”.format（facial_feature， face_landmarks［facial_feature］））

for facial_feature in face_landmarks.keys（）：

d.line（face_landmarks［facial_feature］， width=5）

pil_image.show（）

臉部的關鍵點包括：鼻子、嘴巴、眼睛、眉毛等，這里還是用的上面成龍大哥的圖片，下面的結果輸出：

6、化妝

這部分是建立在第五部分基礎上的，得到的面部的特征以后就可以進行自動化妝了，下面是具體的實現：

def demoFunc（pic_path=“haiwang.jpg”）：

‘’‘

化妝

’‘’

image = face_recognition.load_image_file（pic_path）

face_landmarks_list = face_recognition.face_landmarks（image）

pil_image = Image.fromarray（image）

for face_landmarks in face_landmarks_list：

demo = ImageDraw.Draw（pil_image， ‘RGBA’）

demo.polygon（face_landmarks［‘left_eyebrow’］， fill=（68， 54， 39， 128））

demo.polygon（face_landmarks［‘right_eyebrow’］， fill=（68， 54， 39， 128））

demo.line（face_landmarks［‘left_eyebrow’］， fill=（68， 54， 39， 150）， width=2）

demo.line（face_landmarks［‘right_eyebrow’］， fill=（68， 54， 39， 150）， width=2）

demo.polygon（face_landmarks［‘top_lip’］， fill=（150， 0， 0， 128））

demo.polygon（face_landmarks［‘bottom_lip’］， fill=（150， 0， 0， 128））

demo.line（face_landmarks［‘top_lip’］， fill=（150， 0， 0， 64）， width=2）

demo.line（face_landmarks［‘bottom_lip’］， fill=（150， 0， 0， 64）， width=2）

demo.polygon（face_landmarks［‘left_eye’］， fill=（255， 255， 255， 30））

demo.polygon（face_landmarks［‘right_eye’］， fill=（255， 255， 255， 30））

demo.line（face_landmarks［‘left_eye’］ + ［face_landmarks［‘left_eye’］［0］］， fill=（0， 0， 0， 110）， width=2）

demo.line（face_landmarks［‘right_eye’］ + ［face_landmarks［‘right_eye’］［0］］， fill=（0， 0， 0， 110）， width=2）

pil_image.show（）

7、基于face_recognition構建自己的簡單人臉識別應用

上面介紹了很多face_recognition的應用，這里才是最重要的內容我覺得是這樣的，基于已有的功能來實現我們自己的個性化應用，我這里只是簡單的拋磚引玉，給出來自己的最最簡單的實現：

def faceRecognitionDemo（picDir=‘data/’， test_pic=‘test.png’）：

‘’‘

基于 face_recognition 構建人臉識別模塊

’‘’

pic_list=os.listdir（picDir）

for one_pic in pic_list：

one_pic_path=picDir+one_pic

one_res=demo6（one_pic=one_pic_path，two_pic=test_pic）

one_name=one_pic.split（‘。’）［0］.strip（）

if one_res：

print（‘This Person is： ’， one_name）

break

else：

print（‘This Person is not： ’， one_name）

結果輸出如下：

當然了，實時計算肯定當前的計算方式不能滿足的，這個只是一個最簡單的應用而已，只想在這里拋磚引玉，這里是通過調用了face_recognition接口的形式來完成相似判定的工作的，還有一種非常常見的辦法，就是在得到人臉圖像的128維特征向量之后，就可以將人臉識別問題轉化為基于機器學習模型的一個簡單分類問題了，比如SVM、RF、GBDT等都可以非常出色地完成上面的任務。

責任編輯：haq