之前我们获取了一张图像的人脸信息，现在我们来使用特征点分析来匹配两张lyf照片的相似度
获取两张图片的人脸信息
import cv2
import face_recognition
# 加载图像文件
img1 = face_recognition.load_image_file('lyf1.png')
img2 = face_recognition.load_image_file('lyf2.png')
# 将图像从 BGR 格式转换为 RGB 格式
img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2RGB)
img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2RGB)
# 第一个人的人脸位置信息
faceloc1 = face_recognition.face_locations(img1)[0]
faceloc2 = face_recognition.face_locations(img2)[0]
#框出人脸
cv2.rectangle(img1, (faceloc1[3], faceloc1[0]), (faceloc1[1], faceloc1[2]), (0, 255, 0), 3)
cv2.rectangle(img2, (faceloc2[3], faceloc2[0]), (faceloc2[1], faceloc2[2]), (0, 255, 0), 3)
#打印人脸位置信息
print(faceloc1)
print(faceloc2)
cv2.imshow('lyf1', img1)
cv2.imshow('lyf2', img2)
cv2.waitKey(0)
效果如下
然后接下来我们使用face_encodings来进行提取人脸特征编码，首先我们先对这个函数进行一下介绍
face_encodings函数
face_recognition.face_encodings()是 face_recognition 库中的一个函数，用于从图像中提取人脸的特征编码。这些编码是对人脸图像的数值化描述，可以用来比较不同人脸之间的相似度，从而进行人脸识别或验证。face_encodings(face_image, known_face_locations=None, num_jitters=1)
face_image: 必须是一个RGB图像（numpy数组），即使是从OpenCV加载的图像也需要先转换为RGB格式。
known_face_locations: 可选参数，指定人脸位置的列表。每个位置是一个包含四个整数的元组
(top, right, bottom, left)，代表人脸框的坐标。如果不提供此参数，函数将自动检测图像中的所有人脸。num_jitters: 可选参数，默认为1。用于增加对每个人脸提取特征时的采样次数，以获得更稳定的编码。较大的值可能会提高准确性，但会增加计算成本。
返回值：
该函数返回一个包含每个检测到的人脸编码的列表。每个编码是一个128维的numpy数组，描述了人脸在128维空间中的位置关系和特征。
face_recognition.face_encodings()可以结合face_recognition.face_locations()使用，以便首先检测人脸位置，然后提取这些位置上的人脸编码。人脸编码是一个具有良好特性的向量，可以用于比较两张人脸图像的相似度。通常，人脸编码越相似，它们之间的距离（如欧氏距离）越小。
该函数在进行人脸识别、人脸验证和人脸聚类等任务时非常有用。
这样我们使用faceloc1 = face_recognition.face_locations(img1)[0]
face_encoding1 = face_recognition.face_encodings(img1, [faceloc1])[0]
这里就表示获取第一个人脸的特征编码
img1 = face_recognition.load_image_file('lyf1.png')
img2 = face_recognition.load_image_file('lyf2.png')
# 将图像从 BGR 格式转换为 RGB 格式
img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2RGB)
img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2RGB)
# 第一个人的人脸位置信息
faceloc1 = face_recognition.face_locations(img1)[0]
faceloc2 = face_recognition.face_locations(img2)[0]
# 提取人脸编码
face_encoding1 = face_recognition.face_encodings(img1, [faceloc1])[0]
face_encoding2 = face_recognition.face_encodings(img2, [faceloc2])[0]
下面我们使用compare_faces来对比两个图片人脸的相似度，介绍一下这个函数
compare_faces函数
face_recognition.compare_faces([face_encoding1], face_encoding2)是一个用于人脸比对的函数，通常用于人脸识别任务中。这个函数接受两个参数：
face_encoding1: 表示第一个人脸的编码，通常是一个128维的向量，用于表示人脸的特征。face_encoding2: 表示第二个人脸的编码，同样是一个128维的向量。函数的作用是比较这两个人脸编码，判断它们是否来自同一个人脸。具体来说，它会计算这两个人脸编码之间的欧氏距离（Euclidean distance），如果距离小于一个阈值（一般来说是0.6），就认为这两个人脸是同一个人，返回True；否则返回False。
import cv2
import face_recognition
# 加载图像文件
img1 = face_recognition.load_image_file('lyf1.png')
img2 = face_recognition.load_image_file('lyf2.png')
# 将图像从 BGR 格式转换为 RGB 格式
img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2RGB)
img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2RGB)
# 第一个人的人脸位置信息
faceloc1 = face_recognition.face_locations(img1)[0]
faceloc2 = face_recognition.face_locations(img2)[0]
# 提取人脸编码
face_encoding1 = face_recognition.face_encodings(img1, [faceloc1])[0]
face_encoding2 = face_recognition.face_encodings(img2, [faceloc2])[0]
#框出人脸
cv2.rectangle(img1, (faceloc1[3], faceloc1[0]), (faceloc1[1], faceloc1[2]), (0, 255, 0), 3)
cv2.rectangle(img2, (faceloc2[3], faceloc2[0]), (faceloc2[1], faceloc2[2]), (0, 255, 0), 3)
#比对人脸特征
res = face_recognition.compare_faces([face_encoding1],face_encoding2)
print(res)
#打印人脸位置信息
# print(faceloc1)
# print(faceloc2)
cv2.imshow('lyf1', img1)
cv2.imshow('lyf2', img2)
cv2.waitKey(0)
效果如下
这里可以看见，打印了True,说明为同一个人
到这里就完成了对两个人脸的比对，感兴趣的可以关注一下，谢谢
