人脸识别

您也可以阅读该文件的中文简体版 简体中文版、韩语版 韩国语 或日语版 日本語。

使用世界上最简单的人脸识别库，从 Python 或命令行中识别和操作人脸。

该库基于 dlib 的先进深度学习人脸识别模型构建。该模型在 Labeled Faces in the Wild 基准测试上的准确率为 99.38%。

此外，它还提供了一个简单的 face_recognition 命令行工具，允许您通过命令行对一个文件夹中的图像进行人脸识别！

功能

在图片中查找人脸

查找图片中出现的所有人脸：

import face_recognition
image = face_recognition.load_image_file("your_file.jpg")
face_locations = face_recognition.face_locations(image)

查找并操作图片中的面部特征

获取每个人的眼睛、鼻子、嘴巴和下巴的位置及轮廓。

import face_recognition
image = face_recognition.load_image_file("your_file.jpg")
face_landmarks_list = face_recognition.face_landmarks(image)

查找面部特征对于许多重要任务非常有用。但您也可以用它来做一些很有趣的事情，比如应用 数字化妆（类似于“美图秀秀”）：

识别图片中的面孔

识别每张照片中出现的人。

import face_recognition
known_image = face_recognition.load_image_file("biden.jpg")
unknown_image = face_recognition.load_image_file("unknown.jpg")

biden_encoding = face_recognition.face_encodings(known_image)[0]
unknown_encoding = face_recognition.face_encodings(unknown_image)[0]

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

您甚至可以将此库与其他 Python 库结合使用，实现实时人脸识别：

代码请参见 此示例。

在线演示

用户贡献的共享 Jupyter Notebook 演示（非官方支持）：

安装

要求

• Python 3.3+ 或 Python 2.7
• macOS 或 Linux（Windows 非官方支持，但可能可用）

安装选项：

在 Mac 或 Linux 上安装

首先，请确保已安装带有 Python 绑定的 dlib：

• 如何在 macOS 或 Ubuntu 上从源码安装 dlib

然后，确保已安装 cmake：

brew install cmake

最后，使用 pip3（或 Python 2 的 pip2）从 PyPI 安装本模块：

pip3 install face_recognition

或者，您也可以尝试使用 Docker 来运行本库，详情请参阅 部署部分。

如果您在安装过程中遇到困难，还可以尝试使用一个 预配置的虚拟机。

在 Nvidia Jetson Nano 开发板上安装

• Jetson Nano 安装说明
  • 请仔细按照文章中的说明操作。目前 Jetson Nano 上的 CUDA 库存在一个 bug，如果您没有按照文章中的指示注释掉 dlib 中的一行代码并重新编译，本库可能会静默失败。

在 Raspberry Pi 2+ 上安装

• Raspberry Pi 2+ 安装说明

在 FreeBSD 上安装

pkg install graphics/py-face_recognition

在 Windows 上安装

虽然 Windows 并非官方支持的平台，但热心的用户已经发布了安装本库的指南：

• @masoudr 的 Windows 10 安装指南（dlib + face_recognition）

安装预配置的虚拟机镜像

• 下载预配置的虚拟机镜像（适用于 VMware Player 或 VirtualBox）。

使用方法

命令行界面

安装 face_recognition 后，您将获得两个简单的命令行工具：

• face_recognition - 识别照片或包含照片的文件夹中的面孔。
• face_detection - 在照片或包含照片的文件夹中查找面孔。

face_recognition 命令行工具

face_recognition 命令允许您识别照片或包含照片的文件夹中的面孔。

首先，您需要提供一个文件夹，其中包含每位已知人物的一张照片。每个文件应对应一位人物，并以照片中的人物命名：

接下来，您需要另一个文件夹，其中包含您想要识别的照片：

然后，只需运行 face_recognition 命令，传入已知人物的文件夹以及包含未知人物的照片文件夹（或单张照片），它就会告诉您每张照片中的人是谁：

$ face_recognition ./pictures_of_people_i_know/ ./unknown_pictures/

/unknown_pictures/unknown.jpg,巴拉克·奥巴马
/face_recognition_test/unknown_pictures/unknown.jpg,未知人

输出中每一行对应一张人脸。数据以逗号分隔，包含文件名和识别出的人名。

如果图片中出现与已知人物库中任何人都不匹配的人脸，则会被标记为 unknown_person。

face_detection 命令行工具

face_detection 命令允许您找到图像中任何面孔的位置（像素坐标）。

只需运行 face_detection 命令，传入要检查的图片文件夹（或单张图片）：

$ face_detection  ./folder_with_pictures/

examples/image1.jpg,65,215,169,112
examples/image2.jpg,62,394,211,244
examples/image2.jpg,95,941,244,792

它会为检测到的每张人脸打印一行，报告的是人脸的上、右、下、左四个角的像素坐标。

调整容差/灵敏度

如果您对同一个人得到多个匹配结果，可能是因为您的照片中的人物非常相似，此时需要降低容差值，使面部比较更加严格。

可以通过 --tolerance 参数来实现。默认容差值为 0.6，数值越小，面部比较就越严格：

$ face_recognition --tolerance 0.54 ./pictures_of_people_i_know/ ./unknown_pictures/

/unknown_pictures/unknown.jpg,巴拉克·奥巴马
/face_recognition_test/unknown_pictures/unknown.jpg,未知人

如果您想查看每次匹配计算出的面部距离，以便调整容差设置，可以使用 --show-distance true：

$ face_recognition --show-distance true ./pictures_of_people_i_know/ ./unknown_pictures/

/unknown_pictures/unknown.jpg,巴拉克·奥巴马,0.378542298956785
/face_recognition_test/unknown_pictures/unknown.jpg,未知人,None

更多示例

如果您只想知道每张照片中的人物姓名，而不在乎文件名，可以这样做：

$ face_recognition ./pictures_of_people_i_know/ ./unknown_pictures/ | cut -d ',' -f2

巴拉克·奥巴马
未知人

加快人脸识别速度

如果您的计算机有多核 CPU，人脸识别可以并行进行。例如，如果您的系统有 4 个 CPU 核心，那么通过同时利用所有核心，您可以在相同时间内处理大约 4 倍数量的图像。

如果您使用的是 Python 3.4 或更高版本，可以传递 --cpus <使用的CPU核心数> 参数：

$ face_recognition --cpus 4 ./pictures_of_people_i_know/ ./unknown_pictures/

您也可以传递 --cpus -1 来使用系统中的所有 CPU 核心。

Python 模块

您可以导入 face_recognition 模块，只需几行代码即可轻松操作人脸。非常简单！

API 文档：https://face-recognition.readthedocs.io。

自动查找图像中的所有面孔

import face_recognition

image = face_recognition.load_image_file("my_picture.jpg")
face_locations = face_recognition.face_locations(image)

# face_locations 现在是一个数组，列出了每张人脸的坐标！

请参阅 此示例，尝试一下。

您还可以选择使用更精确的基于深度学习的人脸检测模型。

注意：为了使该模型获得良好的性能，需要 GPU 加速（通过 NVidia 的 CUDA 库）。编译 dlib 时也需要启用 CUDA 支持。

import face_recognition

image = face_recognition.load_image_file("my_picture.jpg")
face_locations = face_recognition.face_locations(image, model="cnn")

# face_locations 现在是一个数组，列出了每张人脸的坐标！

请参阅 此示例，尝试一下。

如果您有大量的图像并且配备了 GPU，还可以 批量查找人脸。

自动定位图像中人物的面部特征

import face_recognition

image = face_recognition.load_image_file("my_picture.jpg")
face_landmarks_list = face_recognition.face_landmarks(image)

# face_landmarks_list 现在是一个数组，包含了每张人脸中各个面部特征的位置。
# face_landmarks_list[0]['left_eye'] 就是第一个人左眼的位置和轮廓。

请参阅 此示例，尝试一下。

识别图像中的面孔并确定其身份

import face_recognition

picture_of_me = face_recognition.load_image_file("me.jpg")
my_face_encoding = face_recognition.face_encodings(picture_of_me)[0]

# my_face_encoding 现在包含了我的面部特征的通用编码，可以与任何其他人脸照片进行比较！

unknown_picture = face_recognition.load_image_file("unknown.jpg")
unknown_face_encoding = face_recognition.face_encodings(unknown_picture)[0]

# 现在我们可以用 `compare_faces` 来判断这两张脸是否属于同一个人！

results = face_recognition.compare_faces([my_face_encoding], unknown_face_encoding)

if results[0] == True:
    print("这是一张我的照片！")
else:
    print("这不是我的照片！")

请参阅 此示例，尝试一下。

Python 代码示例

所有示例均可在此处获取：https://github.com/ageitgey/face_recognition/tree/master/examples。

人脸检测

• 在照片中查找人脸
• 在照片中查找人脸（使用深度学习）
• 批量处理图像并使用 GPU 查找人脸（使用深度学习）
• 使用网络摄像头对实时视频中的所有人脸进行模糊处理（需安装 OpenCV）

面部特征

• 识别照片中的特定面部特征
• 应用（极其丑陋的）数字化妆效果

人脸识别

• 根据已知人员的照片，在照片中查找并识别未知面孔
• 识别照片中每个人的面孔并为其绘制矩形框
• 通过数值化的人脸距离来比较人脸，而不仅仅是简单的“是”或“否”匹配
• 使用网络摄像头识别实时视频中的人脸——简单版/较慢版本（需安装 OpenCV）
• 使用网络摄像头识别实时视频中的人脸——更快版本（需安装 OpenCV）
• 识别视频文件中的人脸，并输出新的视频文件（需安装 OpenCV）
• 在树莓派上使用摄像头进行人脸识别
• 运行一个通过 HTTP 识别人脸的 Web 服务（需安装 Flask）
• 使用 K 近邻分类器进行人脸识别
• 为每个人训练多张图片，然后使用 SVM 进行人脸识别

创建独立可执行文件

如果您希望创建一个无需安装 python 或 face_recognition 即可运行的独立可执行文件，可以使用 PyInstaller。不过，要使其与本库兼容，需要进行一些自定义配置。有关具体操作方法，请参阅 此问题。

涉及 face_recognition 的文章和指南

• 我关于人脸识别工作原理的文章：现代深度学习人脸识别
  • 介绍了相关算法及其基本工作原理
• Adrian Rosebrock 的文章：使用 OpenCV、Python 和深度学习进行人脸识别
  • 讲述了如何在实际中使用人脸识别技术
• Adrian Rosebrock 的文章：树莓派人脸识别
  • 介绍了如何在树莓派上使用该技术
• Adrian Rosebrock 的文章：使用 Python 进行人脸聚类
  • 介绍了如何利用无监督学习自动根据照片中出现的人物对照片进行聚类

人脸识别的工作原理

如果您不想依赖黑盒库，而是想了解人脸定位和识别的具体工作原理，请阅读我的文章：现代深度学习人脸识别。

注意事项

• 本库的人脸识别模型是在成人数据集上训练的，对儿童的效果并不理想。在默认的 0.6 比较阈值下，儿童的识别结果容易混淆。
• 不同种族群体之间的识别准确率可能存在差异。更多详细信息请参阅 此维基页面。

部署到云主机（Heroku、AWS 等）

由于 face_recognition 依赖于用 C++ 编写的 dlib，因此将其应用部署到 Heroku 或 AWS 等云托管平台可能会比较困难。

为了简化部署流程，本仓库提供了一个 Dockerfile 示例，展示了如何在 Docker 容器中运行基于 face_recognition 构建的应用程序。借助此方法，您应该能够将应用部署到任何支持 Docker 镜像的服务上。

您可以在本地尝试运行该 Docker 镜像：docker-compose up --build

此外，还有 若干预构建的 Docker 镜像可供使用。

对于安装了 ≥ 384.81 版本显卡驱动程序以及 Nvidia-Docker 的 Linux 用户，可以在 GPU 上运行示例：打开 docker-compose.yml 文件，取消注释 dockerfile: Dockerfile.gpu 和 runtime: nvidia 两行。

遇到问题？

如果您遇到问题，请在提交 GitHub 问题之前先阅读维基中的 常见错误 部分。

致谢

• 衷心感谢 Davis King (@nulhom) 创造了 dlib，并提供了本库中使用的经过训练的面部特征检测和人脸编码模型。有关驱动人脸编码的 ResNet 模型的更多信息，请参阅他的 博客文章。
• 感谢所有致力于 numpy、scipy、scikit-image、Pillow 等优秀 Python 数据科学库的开发者，正是这些库让 Python 中的这类任务变得如此简单有趣。
• 感谢 Cookiecutter 以及 audreyr/cookiecutter-pypackage 项目模板，它们极大地简化了 Python 项目的打包过程。

face_recognition 快速上手指南

face_recognition 是世界上最简单的人脸识别库，基于 dlib 的深度学习模型构建，在 LFW 基准测试中准确率高达 99.38%。它支持从 Python 代码或命令行轻松识别人脸、定位五官及进行人脸比对。

环境准备

系统要求

• 操作系统：macOS 或 Linux（Windows 非官方支持，但可通过特定方法安装）。
• Python 版本：Python 3.3+ 或 Python 2.7。

前置依赖

在安装本库之前，必须确保已安装以下依赖：

1. dlib：需包含 Python 绑定。
   • macOS/Ubuntu 安装指南参考：如何从源码安装 dlib
2. cmake：编译工具。
   • macOS 安装命令：

     brew install cmake
     

   • Ubuntu/Debian 安装命令：

     sudo apt-get install cmake
     

注意：若使用 NVIDIA GPU 加速（特别是 CNN 模型），请确保已安装 CUDA 并在编译 dlib 时启用 CUDA 支持。

安装步骤

标准安装 (推荐)

确保前置依赖安装完毕后，使用 pip 安装：

pip3 install face_recognition

国内加速方案： 如果下载速度较慢，推荐使用国内镜像源（如清华源）：

pip3 install face_recognition -i https://pypi.tuna.tsinghua.edu.cn/simple

其他平台安装简述

• Raspberry Pi (树莓派): 请参考 树莓派安装指南。
• Nvidia Jetson Nano: 需特别注意 CUDA 库的兼容性，请参考 Jetson Nano 安装教程。
• Windows: 非官方支持，建议参考社区提供的 Windows 10 安装指南 或使用 Docker/虚拟机。

基本使用

1. 命令行工具 (CLI)

安装完成后，你将获得两个命令行工具：face_recognition（识别人脸身份）和 face_detection（仅检测人脸位置）。

识别人脸身份

准备两个文件夹：

1. known_people/：存放已知人物的照片，文件名即为人名（例如 obama.jpg）。
2. unknown_pictures/：待识别的照片。

运行命令：

face_recognition ./known_people/ ./unknown_pictures/

输出示例：

./unknown_pictures/test.jpg,obama
./unknown_pictures/test2.jpg,unknown_person

高级选项：

• 调整相似度阈值（默认 0.6，越小越严格）：

  face_recognition --tolerance 0.54 ./known_people/ ./unknown_pictures/
  

• 多核并行加速（例如使用 4 个 CPU 核心）：

  face_recognition --cpus 4 ./known_people/ ./unknown_pictures/
  

检测人脸位置

获取图片中人脸的像素坐标（上、右、下、左）：

face_detection ./folder_with_pictures/

2. Python 模块调用

在 Python 脚本中，只需几行代码即可实现功能。

检测人脸位置

import face_recognition

image = face_recognition.load_image_file("my_picture.jpg")
face_locations = face_recognition.face_locations(image)

# face_locations 包含每个人脸的坐标列表
print(face_locations)

识别人脸身份

import face_recognition

# 加载已知人物图片并提取特征
known_image = face_recognition.load_image_file("biden.jpg")
known_encoding = face_recognition.face_encodings(known_image)[0]

# 加载未知图片并提取特征
unknown_image = face_recognition.load_image_file("unknown.jpg")
unknown_encoding = face_recognition.face_encodings(unknown_image)[0]

# 比对人脸
results = face_recognition.compare_faces([known_encoding], unknown_encoding)

if results[0]:
    print("这是拜登！")
else:
    print("不认识这个人。")

定位面部特征 (眼睛、鼻子、嘴巴等)

import face_recognition

image = face_recognition.load_image_file("my_picture.jpg")
face_landmarks_list = face_recognition.face_landmarks(image)

# 获取第一张人脸的左眼坐标
if face_landmarks_list:
    left_eye = face_landmarks_list[0]['left_eye']
    print(left_eye)