使用face_recognition和OpenCV库完成人脸检测和识别任务：

# 导入必要的库
import cv2  # OpenCV库，用于图像处理
import face_recognition  # 人脸识别库
import numpy as np  # 数值计算库

# 步骤1：加载已知人脸的图片并编码
# 加载乔布斯的图片并编码
jobs_image = face_recognition.load_image_file("known_people/jobs.jpg")
jobs_encoding = face_recognition.face_encodings(jobs_image)[0]  # 提取第一张人脸的编码

# 加载盖茨的图片并编码
gates_image = face_recognition.load_image_file("known_people/gates.jpg")
gates_encoding = face_recognition.face_encodings(gates_image)[0]

# 创建已知人脸编码和对应姓名的列表
known_face_encodings = [jobs_encoding, gates_encoding]
known_face_names = ["Steve Jobs", "Bill Gates"]

# 步骤2：加载待识别的未知图片
unknown_image = face_recognition.load_image_file("unknown_person/test.jpg")

# 将图片从BGR颜色空间转换为RGB（face_recognition使用RGB格式）
unknown_image_rgb = cv2.cvtColor(unknown_image, cv2.COLOR_BGR2RGB)

# 步骤3：在未知图片中查找所有人脸并编码
# 检测人脸位置
face_locations = face_recognition.face_locations(unknown_image_rgb)
# 提取人脸编码
face_encodings = face_recognition.face_encodings(unknown_image_rgb, face_locations)

# 步骤4：遍历未知图片中的每张人脸进行识别
for (top, right, bottom, left), face_encoding in zip(face_locations, face_encodings):
    # 比较当前人脸与已知人脸库
    matches = face_recognition.compare_faces(known_face_encodings, face_encoding)
    name = "Unknown"  # 默认标记为未知
    
    # 计算与已知人脸的相似度距离
    face_distances = face_recognition.face_distance(known_face_encodings, face_encoding)
    # 获取最相似的人脸索引
    best_match_index = np.argmin(face_distances)
    
    # 如果找到匹配项
    if matches[best_match_index]:
        name = known_face_names[best_match_index]
    
    # 步骤5：在图片上绘制人脸框和名称
    cv2.rectangle(unknown_image, (left, top), (right, bottom), (0, 255, 0), 2)  # 绘制绿色矩形框
    cv2.putText(unknown_image, name, (left, top - 10), cv2.FONT_HERSHEY_SIMPLEX, 
                0.8, (0, 255, 0), 2)  # 在框上方添加名称

# 步骤6：显示识别结果
cv2.imshow('Face Recognition', unknown_image)
cv2.waitKey(0)  # 等待任意按键
cv2.destroyAllWindows()  # 关闭所有窗口

代码解析及行作用说明：

1. 库导入

   import cv2
   import face_recognition
   import numpy as np
   

   • cv2：OpenCV库，用于图像处理和显示
   • face_recognition：基于dlib的人脸识别库
   • numpy：数值计算库，处理数组数据

2. 加载并编码已知人脸

   jobs_image = face_recognition.load_image_file("known_people/jobs.jpg")
   jobs_encoding = face_recognition.face_encodings(jobs_image)[0]
   

   • load_image_file：加载图片文件
   • face_encodings：提取人脸的特征编码（返回列表，取第一个元素）

3. 创建已知人脸数据库

   known_face_encodings = [jobs_encoding, gates_encoding]
   known_face_names = ["Steve Jobs", "Bill Gates"]
   

   • 存储已知人脸的编码和对应的姓名

4. 处理待识别图片

   unknown_image = face_recognition.load_image_file("unknown_person/test.jpg")
   unknown_image_rgb = cv2.cvtColor(unknown_image, cv2.COLOR_BGR2RGB)
   

   • 加载待识别图片
   • 将颜色空间从BGR转换为RGB（face_recognition需要RGB格式）

5. 检测并编码未知人脸

   face_locations = face_recognition.face_locations(unknown_image_rgb)
   face_encodings = face_recognition.face_encodings(unknown_image_rgb, face_locations)
   

   • face_locations：检测图片中所有人脸的位置（返回坐标列表）
   • face_encodings：提取每张人脸的特征编码

6. 人脸识别与匹配

   matches = face_recognition.compare_faces(known_face_encodings, face_encoding)
   face_distances = face_recognition.face_distance(known_face_encodings, face_encoding)
   best_match_index = np.argmin(face_distances)
   

   • compare_faces：比较当前人脸与已知人脸库，返回布尔值列表
   • face_distance：计算与每个已知人脸的相似度距离
   • argmin：找到最相似人脸的索引

7. 绘制识别结果

   cv2.rectangle(unknown_image, (left, top), (right, bottom), (0, 255, 0), 2)
   cv2.putText(unknown_image, name, (left, top - 10), ...)
   

   • 用绿色矩形框标记人脸位置
   • 在人脸框上方显示识别出的姓名

8. 显示结果图像

   cv2.imshow('Face Recognition', unknown_image)
   cv2.waitKey(0)
   cv2.destroyAllWindows()
   

   • 显示处理后的图片
   • 等待用户按键后关闭窗口

详细解析

1. 安装依赖库

   pip install opencv-python
   pip install face-recognition
   

2. 准备图片

   • 创建文件夹结构：

     ├── known_people/
     │   ├── jobs.jpg
     │   └── gates.jpg
     └── unknown_person/
         └── test.jpg
     

   • 图片建议使用正面清晰的人脸照片

3. 运行代码

   • 将代码中的图片路径替换为实际路径
   • 直接运行Python脚本

工作原理

1. 人脸编码：将人脸转换为128维的特征向量
2. 特征比对：通过计算欧氏距离比较人脸相似度
3. 阈值判断：默认距离小于0.6则认为匹配（可通过tolerance参数调整）

扩展方向

• 添加实时摄像头识别功能
• 增加人脸数据库规模
• 添加人脸识别置信度显示
• 集成到Web应用中