使用Python进行人脸编码和比较
简介
在这个教程中，我们将学习如何使用Python和face_recognition库来加载图像、提取人脸编码，并比较两个人脸是否相似。face_recognition库是一个强大的工具，它基于dlib的深度学习模型，可以轻松实现人脸检测和识别功能。本教程适合初学者，我们将通过一个简单的项目来了解这个库的基本用法和环境配置。
代码示例
import face_recognition
import cv2
import matplotlib.pyplot as plt
def load_and_encode_face(image_path):
"""加载图片并获取人脸编码"""
# 加载图像
image = face_recognition.load_image_file(image_path)
# 检查图像是否为8位灰度或RGB
if image.dtype == 'uint8' and (len(image.shape) == 2 or image.shape[2] == 3):
# 图像已经是8位灰度或RGB
pass
else:
# 转换为8位RGB图像
image = cv2.convertScaleAbs(image)
if len(image.shape) == 2:
# 如果是灰度图像，转换为RGB
image = cv2.cvtColor(image, cv2.COLOR_GRAY2RGB)
elif image.shape[2] == 4:
# 如果是RGBA，转换为RGB
image = cv2.cvtColor(image, cv2.COLOR_RGBA2RGB)
face_encodings = face_recognition.face_encodings(image)
if face_encodings:
return face_encodings[0], image
else:
raise ValueError("No faces found in the image.")
def compare_faces(known_face_encoding, unknown_face_encoding, tolerance=0.5):
"""比较两个人脸编码是否相似"""
results = face_recognition.compare_faces([known_face_encoding], unknown_face_encoding, tolerance=tolerance)
return results[0]
def plot_faces(known_image, unknown_image, match):
"""绘制并显示两张人脸图像"""
fig, axes = plt.subplots(1, 2, figsize=(12, 6))
axes[0].imshow(cv2.cvtColor(known_image, cv2.COLOR_BGR2RGB))
axes[0].set_title("Known Face")
axes[1].imshow(cv2.cvtColor(unknown_image, cv2.COLOR_BGR2RGB))
axes[1].set_title("Unknown Face")
# 显示匹配结果
if match:
plt.suptitle("Faces Match")
else:
plt.suptitle("Faces Do Not Match")
plt.show()
def main():
try:
# 图像路径
known_image_path = "你的图像路径"
unknown_image_path = "你的图像路径"
print(f"Known image path: {known_image_path}")
print(f"Unknown image path: {unknown_image_path}")
# 加载并编码已知人脸
known_face_encoding, known_image = load_and_encode_face(known_image_path)
# 加载并编码未知人脸
unknown_face_encoding, unknown_image = load_and_encode_face(unknown_image_path)
# 比较人脸
match = compare_faces(known_face_encoding, unknown_face_encoding)
print(f"Do the faces match? {match}")
# 绘制并显示两张人脸图像
plot_faces(known_image, unknown_image, match)
except ValueError as e:
print(e)
except Exception as e:
print(f"An error occurred: {e}")
if __name__ == "__main__":
main()
环境准备
在开始之前，请确保您的Python环境已经安装了以下库：
face_recognition：用于人脸检测和识别。opencv-python（cv2）：用于图像处理。matplotlib：用于显示图像。
您可以使用pip命令安装这些库：
pip install cmake
pip install boost
pip install face_recognition opencv-python matplotlib
在安装Python库的过程中，我们可能会遇到各种问题。以下是针对Python 3.12环境中一些常见问题的解决方案。请注意，不同版本的解决方案可能会有所不同，以下内容仅供参考。
问题1：安装依赖时出错
如果您在安装过程中遇到错误，且无法根据错误信息下载对应的依赖包，可以尝试以下步骤：
-
安装或更新setuptools：
setuptools是Python包的构建和分发工具，它是可以帮助解决一些依赖问题。pip install setuptools如果问题得到解决，您可能不需要进行下一步。
-
安装distribute：
在某些情况下，安装或更新distribute可以解决安装问题。pip3 install distribute
问题2：图像处理错误
如果您在处理图像时遇到错误，即使将图像转换为RGB颜色后问题仍然存在，可以尝试以下步骤：
- 修改NumPy版本：
有时候，错误可能是由于NumPy版本不兼容引起的。尝试安装一个特定版本的NumPy可能会解决问题。
选择一个与您的环境兼容的NumPy版本。pip install numpy==1.26.4
当您遇到dlib库自动下载失败或者下载后无法正常使用的情况时，您可以选择手动下载特定版本的dlib库以确保兼容性和稳定性。对于使用Python 3.12的环境，您需要下载与您的Python版本和操作系统架构相匹配的dlib库文件。
手动下载dlib库
针对Python 3.12，您可以手动下载名为 dlib-19.24.99-cp312-cp312-win_amd64.whl 的文件。这是一个预编译的wheel文件，专为Python 3.12和64位Windows系统设计，可以避免编译过程中可能出现的问题。
下载步骤
-
访问dlib的PyPI页面：https://pypi.org/simple/dlib/
请注意，如果您在访问此链接时遇到问题，可能是由于网络问题或链接本身的问题。请检查链接的合法性，并在网络稳定的情况下重试。
-
在页面上找到与您的Python版本和操作系统相匹配的wheel文件。对于Python 3.12和64位Windows系统，您需要寻找类似
dlib-19.24.99-cp312-cp312-win_amd64.whl的文件。 -
下载相应的wheel文件到您的本地计算机。
安装步骤
下载完成后，您可以使用pip命令来安装下载的wheel文件：
pip install /path/to/dlib-19.24.99-cp312-cp312-win_amd64.whl
请将 /path/to/ 替换为您保存wheel文件的实际路径。
注意事项
- 确保您的Python版本和操作系统架构与下载的wheel文件相匹配。
- 如果您在安装过程中遇到任何问题，可以尝试清理pip缓存（使用
pip cache purge）或者重新安装pip。 - 如果手动下载和安装仍然遇到问题，建议检查Python环境是否正确设置，或者寻求社区的帮助。
以下是一个百度链接的分享
链接: https://pan.baidu.com/s/13AARGnZs8Lv46txN623SYg?pwd=upjc 提取码: upjc
- 百度网盘下载- ：dlib-19.24.99-cp312-cp312-win_amd64.whl
代码解析
下面是一个完整的Python脚本，它包含了加载图像、提取人脸编码、比较人脸以及显示结果的全过程。
1. 导入库
首先，我们需要导入所需的库：
import face_recognition
import cv2
import matplotlib.pyplot as plt
其中 我们在导入时 导入cv2假设我们直接下载这个名称的库，可能会显示 不存在根据教程中之前的内容
pip install opencv-python
2. 加载和编码人脸
我们定义了一个函数load_and_encode_face，它接受一个图像路径作为参数，加载图像，并提取其中的人脸编码。
def load_and_encode_face(image_path):
# 加载图像
image = face_recognition.load_image_file(image_path)
# 检查图像是否为8位灰度或RGB
if image.dtype == 'uint8' and (len(image.shape) == 2 or image.shape[2] == 3):
# 图像已经是8位灰度或RGB
pass
else:
# 转换为8位RGB图像
image = cv2.convertScaleAbs(image)
if len(image.shape) == 2:
# 如果是灰度图像，转换为RGB
image = cv2.cvtColor(image, cv2.COLOR_GRAY2RGB)
elif image.shape[2] == 4:
# 如果是RGBA，转换为RGB
image = cv2.cvtColor(image, cv2.COLOR_RGBA2RGB)
face_encodings = face_recognition.face_encodings(image)
if face_encodings:
return face_encodings[0], image
else:
raise ValueError("No faces found in the image.")
3. 比较人脸
接下来，我们定义了compare_faces函数，它接受两个人脸编码和一个容差值作为参数，并返回比较结果。
def compare_faces(known_face_encoding, unknown_face_encoding, tolerance=0.5):
# 比较两个人脸编码是否相似
results = face_recognition.compare_faces([known_face_encoding], unknown_face_encoding, tolerance=tolerance)
return results[0]
在人脸比较函数 compare_faces 中使用的容差值（tolerance）是一个重要的参数，它决定了两个人脸编码需要多么相似才能被认为是匹配的。这个值的范围通常在0到1之间，其中0表示完全相同的编码（这在实际中几乎不可能，因为即使是同一个人的两张不同照片也会有所不同），而1表示完全不同的编码。
容差值的大小对比较结果有以下影响：
-
较小的容差值：
- 当容差值设置得较小（例如0.2或0.3）时，只有当两个人脸编码非常相似时，函数才会返回匹配的结果。
- 这会减少误匹配（false positives）的几率，即错误地将不同的人脸识别为同一个人。
- 但同时，这也可能会增加漏匹配（false negatives）的几率，即错误地将同一个人的人脸识别为不同的人。
-
较大的容差值：
- 当容差值设置得较大（例如0.6或0.7）时，两个人脸编码之间的差异可以更大，函数仍然可能返回匹配的结果。
- 这会增加误匹配的几率，但会减少漏匹配的几率，使得系统更加倾向于将相似的人脸识别为同一个人。
-
最佳容差值：
- 最佳的容差值取决于具体的应用场景和需求。在一些对安全性要求较高的场景中，可能需要设置一个较小的容差值，以减少误匹配的风险。
- 在其他一些场景中，如果用户体验更为重要，可能需要设置一个较大的容差值，以避免漏匹配，提高识别的便利性。
-
实验和调整：
- 在实际应用中，可能需要通过实验来确定最佳的容差值。这通常涉及到在一组已知的人脸数据上测试不同的容差值，并观察误匹配和漏匹配的发生率。
- 可以通过调整容差值并观察识别准确率的变化来找到最佳的平衡点。
总之，容差值是一个调整识别系统敏感度的工具，它需要根据具体的应用需求和场景来设定。在实际应用中，可能需要多次实验和调整来找到最佳的容差值。
4. 显示结果
plot_faces函数用于显示两张人脸图像，并根据比较结果设置标题。
def plot_faces(known_image, unknown_image, match):
fig, axes = plt.subplots(1, 2, figsize=(12, 6))
axes[0].imshow(cv2.cvtColor(known_image, cv2.COLOR_BGR2RGB))
axes[0].set_title("Known Face")
axes[1].imshow(cv2.cvtColor(unknown_image, cv2.COLOR_BGR2RGB))
axes[1].set_title("Unknown Face")
# 显示匹配结果
if match:
plt.suptitle("Faces Match")
else:
plt.suptitle("Faces Do Not Match")
plt.show()
5. 主函数
最后，main函数将上述步骤整合在一起，加载两张人脸图像，提取编码，并比较它们是否匹配。
def main():
try:
known_image_path = "D:\\DATAX\\pythonProject9\\known.jpg"
unknown_image_path = "D:\\DATAX\\pythonProject9\\unknown2.jpg"
known_face_encoding, known_image = load_and_encode_face(known_image_path)
unknown_face_encoding, unknown_image = load_and_encode_face(unknown_image_path)
match = compare_faces(known_face_encoding, unknown_face_encoding)
print(f"Do the faces match? {match}")
plot_faces(known_image, unknown_image, match)
except ValueError as e:
print(e)
except Exception as e:
print(f"An error occurred: {e}")
if __name__ == "__main__":
main()
结论
通过这个简单的项目，我们学习了如何使用face_recognition库来加载图像、提取人脸编码，并比较两个人脸是否相似。这个库的功能非常强大，可以应用于多种场景，包括但不限于安全监控、人脸验证和社交媒体应用。
进一步阅读
- face_recognition库文档
- dlib库文档
- InsightFace：一个开源的深度人脸分析库
