【Python】利用 face_recognition 库进行人脸检测识别【附完整示例】

1. 背景条件

1.1 安装所需库

首先安装 face_recognition 和 Pillow 这两个库。您可以使用以下命令来安装它们：

pip install face_recognition Pillow -i https://pypi.tuna.tsinghua.edu.cn/simple

1.2 拷贝代码

安装完成后，您就可以在本地运行以下提供的代码了。

import face_recognition
from PIL import Image, ImageDraw
from matplotlib import pyplot as plt
import time

def faceRecognition(image_path):
    # 尝试加载图片
    try:
        print(f"Loading image from {image_path}")
        image = face_recognition.load_image_file(image_path)
    except FileNotFoundError:
        return "Error: 文件未找到,请确保文件路径正确!"
    except Exception as e:
        return f"Error: {e}"

    # 人脸定位
    print("Detecting faces...")
    face_locations = face_recognition.face_locations(image)
    face_landmarks = face_recognition.face_landmarks(image)

    # 如果没有找到人脸，则返回
    if len(face_locations) == 0:
        return "没有在图片中找到人脸."

    # 打开图片并准备画图
    pil_image = Image.open(image_path)
    draw = ImageDraw.Draw(pil_image)

    for face_location, face_landmark in zip(face_locations, face_landmarks):
        top, right, bottom, left = face_location
        print(f"Drawing rectangle at location Top: {top}, Left: {left}, Bottom: {bottom}, Right: {right}")
        # 画人脸边框
        draw.rectangle(((left, top), (right, bottom)), outline=(255, 0, 0), width=3)
        # 画出人脸特征点
        for facial_feature in face_landmark.keys():
            for point in face_landmark[facial_feature]:
                draw.circle(point, radius=2, fill=(0, 255, 0))  # 使用绿色填充圆圈

    # 使用matplotlib显示图片
    plt.imshow(pil_image)
    plt.axis('off')  # 不显示坐标轴
    plt.show()

    # 保存图片
    output_path = "E:/imgs/recognized_faces_with_landmarks.jpg"
    pil_image.save(output_path)
    print(f"Image with landmarks saved to {output_path}")

if __name__ == '__main__':
    start = time.time()
    # 使用示例图片的路径
    sample_image_path = "E:/imgs/sample_image.jpg"
    output_path = faceRecognition(sample_image_path)
    print(output_path)
    end = time.time()
    print('共耗时' + str(end - start) + '秒')

2. 程序概述

这个程序使用 face_recognition 和 Pillow 库来检测图片中的人脸，并在检测到的人脸周围画边框，同时在人脸的特征点上画绿色的小圆圈。最后，程序将修改后的图片保存到指定的路径。

3. 功能分解

1. 导入必要的库：
   • face_recognition：用于人脸检测和人脸特征点识别。
   • PIL（Pillow）库中的 Image 和 ImageDraw：用于加载图片和在图片上画图。
2. 定义 faceRecognition 函数：
   • 参数：image_path，即输入图片的路径。
   • 功能：
     • 加载图片：
       • 使用 face_recognition.load_image_file 尝试加载图片。
       • 如果图片不存在或发生其他错误，则捕获异常并返回错误信息。
     • 人脸定位：
       • 使用 face_recognition.face_locations 方法找到图片中所有人脸的位置。
       • 使用 face_recognition.face_landmarks 方法找到每个人脸的特征点。
     • 检查是否找到人脸：
       • 如果没有找到人脸，则返回相应的信息。
     • 打开图片并准备画图：
       • 使用 Pillow 库打开图片。
       • 创建一个 ImageDraw 对象用于在图片上画图。
     • 画人脸边框和特征点：
       • 遍历每个人脸位置和特征点。
       • 使用 draw.rectangle 方法在每个人脸周围画一个红色边框。
       • 使用 draw.circle 方法在每个人脸的特征点上画一个绿色的小圆圈。
     • 保存图片：
       • 将修改后的图片保存到指定的路径（E:/imgs/recognized_faces_with_landmarks.jpg）。
     • 返回值：
       • 返回保存后的图片的路径。
3. 调用 faceRecognition 函数：
   • 使用示例图片的路径（sample_image_path）作为参数调用 faceRecognition 函数。
4. 输出 output_path：
   • 打印出保存后的图片的路径，以便知道图片被保存在哪里。

4. 运行效果

4.1 单人检测效果

4.2 多人检测效果

5. 小结

以上程序接受一个图片路径作为输入，检测图片中的人脸和特征点，然后在每个人脸周围画红色边框，在特征点上画绿色小圆圈，最后将修改后的图片保存并返回保存路径。这是一个典型的人脸识别和图像处理任务，可以用于各种需要人脸识别的应用场景。

6. 进阶：人脸识别比对

在以上的基础上，我们应用欧氏距离进行人脸距离计算

6.1 定义

欧氏距离（Euclidean distance）是数学中的一个概念，用于计算两个点在欧几里得空间中的直线距离。在人脸识别和图像处理中，欧氏距离可以用来度量两个面部特征向量之间的差异，从而判断两张人脸的相似度。

6.2 原理：

在二维空间中，两个点A、B之间的欧氏距离可以通过以下公式计算：

• 第一个点A的坐标：
  A = ( x 1 , y 1 ) A = (x_1, y_1) A=(x1​,y1​)

• 第二个点B的坐标：
  B = ( x 2 , y 2 ) B = (x_2, y_2) B=(x2​,y2​)

• 二维空间的欧氏距离公式：
  d = ( x 2 − x 1 ) 2 + ( y 2 − y 1 ) 2 d = \sqrt{(x_2 - x_1)^2 + (y_2 - y_1)^2} d=(x2​−x1​)2+(y2​−y1​)2 ​

在人脸识别中，每张人脸可以表示为一个高维向量，其中每个维度对应于面部特征的一个量化值，比如眼睛的位置、鼻子的宽度、嘴巴的形状等。假设我们有两个面部特征向量A和B，它们分别是n维的：

• 向量A的表示：
  A = [ a 1 , a 2 , . . . , a n ] \textbf{A} = [a_1, a_2, ..., a_n] A=[a1​,a2​,...,an​]
• 向量B的表示：
  B = [ b 1 , b 2 , . . . , b n ] \textbf{B} = [b_1, b_2, ..., b_n] B=[b1​,b2​,...,bn​]

6.3 公式扩展

欧氏距离的计算公式扩展到 n 维空间为：

• n维空间的欧氏距离公式：
  d ( A , B ) = ∑ i = 1 n ( b i − a i ) 2 d(\textbf{A}, \textbf{B}) = \sqrt{\sum_{i=1}^{n} (b_i - a_i)^2} d(A,B)=i=1∑n​(bi​−ai​)2 ​

6.4 判断人脸距离：

1. 特征提取：首先，从每张人脸图片中提取特征，这些特征可以是面部关键点的坐标、局部特征描述符（如LBP、HOG）或者深度学习模型提取的特征向量。
2. 特征标准化：为了消除不同量纲和数值范围的影响，通常需要对特征向量进行标准化处理。
3. 计算距离：使用上述公式计算两个特征向量之间的欧氏距离。
4. 相似度判断：设定一个阈值 ( \theta )，如果两个特征向量之间的欧氏距离小于这个阈值，可以认为这两张人脸是相似的或者是同一个人；如果距离大于这个阈值，则认为它们属于不同的人。

6.5 结论

欧氏距离越小，表明两张人脸越相似；欧氏距离越大，表明两张人脸的差异越大。在实际应用中，这个方法可能会受到光照、姿态、表情等因素的影响，因此通常会结合其他方法和算法来提高人脸识别的准确率和鲁棒性。

但在本次的程序中，我们为了条件方便，用了如下方式，所以得出的相似度分数越大则表示两张面孔越相似

similarity_score = 1 - face_distances[0]

6.6 程序代码

import face_recognition
from PIL import Image, ImageDraw
from matplotlib import pyplot as plt
import time


def faceRecognition(image_path, known_image_path, tolerance=0.8):
    # 尝试加载图片
    try:
        print(f"Loading image from {image_path}")
        image = face_recognition.load_image_file(image_path)
        known_image = face_recognition.load_image_file(known_image_path)
    except FileNotFoundError as e:
        return f"Error: {e}"
    except Exception as e:
        return f"Error: {e}"

    # 获取已知人脸编码
    print("Encoding known face...")
    known_face_encoding = face_recognition.face_encodings(known_image)[0]

    # 人脸定位和编码
    print("Detecting faces...")
    face_locations = face_recognition.face_locations(image)
    face_encodings = face_recognition.face_encodings(image, face_locations)

    # 如果没有找到人脸，则返回
    if len(face_locations) == 0:
        return "没有在图片中找到人脸."

    # 打开图片并准备画图
    pil_image = Image.open(image_path)
    draw = ImageDraw.Draw(pil_image)

    # 遍历每个人脸位置和人脸编码
    for (top, right, bottom, left), face_encoding in zip(face_locations, face_encodings):
        # 比较人脸
        matches = face_recognition.compare_faces([known_face_encoding], face_encoding, tolerance=tolerance)

        # 计算相似度分数
        face_distances = face_recognition.face_distance([known_face_encoding], face_encoding)
        similarity_score = 1 - face_distances[0] if face_distances[0] <= 1 else 0
        similarity_score_rounded = round(similarity_score, 2)

        name = "Unknown"
        if True in matches and similarity_score>tolerance:
            name = "Known"

        # 画人脸边框
        draw.rectangle(((left, top), (right, bottom)), outline=(255, 0, 0), width=3)
        # 打印匹配信息
        match_text = f"{name} (Match: {'Yes' if True in matches and similarity_score>tolerance else 'No'})"
        similarity_text = f"Similarity: {similarity_score_rounded}"
        draw.text((right + 10, top), f"{match_text}\n{similarity_text}", fill=(255, 255, 255))

    # 使用matplotlib显示图片
    plt.imshow(pil_image)
    plt.axis('off')  # 不显示坐标轴
    plt.show()

    # 保存图片
    output_path = "recognized_faces.png"
    pil_image.save(output_path)
    print(f"Image with recognized faces saved to {output_path}")


def CompareFace(knownpath, unknowpath):
    sample_image_path = unknowpath  # 待识别的人脸图片路径
    known_image_path = knownpath  # 已知人脸图片路径
    output_path = faceRecognition(sample_image_path, known_image_path)
    end = time.time()
    totalTime = end - start


if __name__ == '__main__':
    start = time.time()
    CompareFace("E:/imgs/img2.png", "E:/imgs/img2.png")	# 测试相同人脸图片
    CompareFace("E:/imgs/img2.png", "E:/imgs/img.png")	# 测试不同人脸图片
    end = time.time()
    totalTime = end - start
    print('共耗时 %.2f 秒'%(totalTime))

以上程序使用 face_recognition 库来来检测、编码人脸和识别图片中的人脸，并使用 matplotlib 库来显示识别结果。并可以保存带有识别结果的图片。通过调整 tolerance 参数，可以设置匹配的相似度阈值。

在以上程序中我们使用 face_distance 函数来计算检测到的人脸与已知人脸之间的距离。然后，我们将距离转换为相似度分数，并四舍五入到两位小数。匹配信息（“Match: Yes” 或 “Match: No”）和相似度分数都打印在检测到的人脸红框的右侧。

相似度分数是通过 1 - face_distances[0] 计算的，以确保分数在 0 到 1 之间。如果距离大于 1，我们将其设置为 0，因为这种情况表明两张脸完全不相似。

7. 识别效果

7.1 相同图片测试

我们传入两张相同的图片，测试结果如下：

结果正如预期一样，识别出已知且相似度为1.0，说明完全相似

7.2 不同图片测试

此时我们传入的是两张完全不同的图片，测试结果如下：

结果也正如预期一样，识别出未知且相似度分数只有0.17。

以上就是本文的全部内容了，感兴趣的小伙伴可以尝试自行扩展程序，实现一个简单的人脸识别系统。