[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-chenlinzhong--face-login":3,"tool-chenlinzhong--face-login":62},[4,18,26,35,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",109154,2,"2026-04-18T11:18:24",[14,15,13],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":32,"last_commit_at":41,"category_tags":42,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[43,13,15,14],"插件",{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[52,15,13,14],"语言模型",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,61],"视频",{"id":63,"github_repo":64,"name":65,"description_en":66,"description_zh":67,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":74,"owner_company":74,"owner_location":76,"owner_email":74,"owner_twitter":74,"owner_website":74,"owner_url":77,"languages":78,"stars":107,"forks":108,"last_commit_at":109,"license":74,"difficulty_score":110,"env_os":111,"env_gpu":112,"env_ram":113,"env_deps":114,"category_tags":126,"github_topics":127,"view_count":32,"oss_zip_url":74,"oss_zip_packed_at":74,"status":17,"created_at":129,"updated_at":130,"faqs":131,"releases":147},9317,"chenlinzhong\u002Fface-login","face-login","基于mtcnn\u002Ffacenet\u002Ftensorflow 实现人脸识别登录系统","face-login 是一个基于深度学习技术构建的人脸识别登录系统，旨在将实验室级别的高精度识别能力应用于实际场景。它通过摄像头实时采集视频流，自动完成人脸检测、对齐与身份验证，从而替代传统的账号密码登录方式，解决了在复杂光线、不同角度及表情变化下传统算法识别率低、难以落地的痛点。\n\n该系统特别适合开发者和技术研究人员使用，可作为生物特征认证功能的参考实现或二次开发基础。其核心技术亮点在于采用了多任务级联卷积神经网络（MTCNN）进行高鲁棒性的人脸检测与关键点定位，并结合 FaceNet 模型将人脸映射为 512 维特征向量，配合高效的 Annoy 索引实现快速匹配。此外，项目创新性地融合了前端 HTML5 视频采集与后端 TensorFlow 推理，利用仿射变换校正人脸姿态，显著提升了非受控环境下的识别准确率。尽管依赖特定的旧版运行环境，face-login 仍为理解从图像采集到特征比对的完整人脸识别流程提供了宝贵的开源范例。","\n# 基于mtcnn与facenet实现人脸登录系统\n\n本文主要介绍了系统涉及的人脸检测与识别的详细方法，该系统基于python2.7.10\u002Fopencv2\u002Ftensorflow1.7.0环境，实现了从摄像头读取视频，检测人脸，识别人脸的功能\n由于模型文件过大，git无法上传，整个项目放在百度云盘，地址:https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1TaalpwQwPTqlCIfXInS_LA\n\n\n\n人脸识别是计算机视觉研究领域的一个热点。目前，在实验室环境下，许多人脸识别已经赶上（超过）人工识别精度（准确率：0.9427~0.9920），比如face++,DeepID3，FaceNet等（详情可以参考：基于深度学习的人脸识别技术综述）。但是，由于光线，角度，表情，年龄等多种因素，导致人脸识别技术无法在现实生活中广泛应用。本文基于python\u002Fopencv\u002Ftensorflow环境，采用FaceNet（LFW：0.9963 ）为基础来构建实时人脸检测与识别系统，探索人脸识别系统在现实应用中的难点。下文主要内容如下 ：\n\n1. 利用htm5 video标签打开摄像头采集头像并使用jquery.faceDeaction组件来粗略检测人脸\n2. 将人脸图像上传到服务器，采用mtcnn检测人脸\n3. 利用opencv的仿射变换对人脸进行对齐，保存对齐后的人脸\n4. 采用预训练的facenet对检测的人脸进行embedding，embedding成512维度的特征；\n5. 对人脸embedding特征创建高效的annoy索引进行人脸检测\n\n\n### 人脸采集\n采用html5 video标签可以很方便的实现从摄像头读取视频帧，下文代码实现了从摄像头读取视频帧，faceDection识别人脸后截取图像上传到服务器功能\n在html文件中添加video，canvas标签\n```$xslt\n\u003Cdiv class=\"booth\">\n    \u003Cvideo id=\"video\" width=\"400\" height=\"300\" muted class=\"abs\" >\u003C\u002Fvideo>\n    \u003Ccanvas id=\"canvas\" width=\"400\" height=\"300\">\u003C\u002Fcanvas>\n  \u003C\u002Fdiv>\n```\n打开网络摄像头\n```$xslt\nvar video = document.getElementById('video'),\nvar vendorUrl = window.URL || window.webkitURL;\n\u002F\u002F媒体对象\nnavigator.getMedia = navigator.getUserMedia || navagator.webkitGetUserMedia || navigator.mozGetUserMedia || navigator.msGetUserMedia;\nnavigator.getMedia({video: true, \u002F\u002F使用摄像头对象audio: false  \u002F\u002F不适用音频}, function(strem){\n    video.src = vendorUrl.createObjectURL(strem);\n    video.play();\n});\n```\n利用jquery的facetDection组件检测人脸\n\n> $('#canvas').faceDetection()\n\n检测出人连脸的话截图，并把图片转换为base64的格式，方便上传\n\n```$xslt\ncontext.drawImage(video, 0, 0, video.width, video.height);\nvar base64 = canvas.toDataURL('images\u002Fpng');\n```\n\n将base64格式的图片上传到服务器\n```$xslt\n\u002F\u002F上传人脸图片\nfunction upload(base64) {\n  $.ajax({\n      \"type\":\"POST\",\n      \"url\":\"\u002Fupload.php\",\n      \"data\":{'img':base64},\n      'dataType':'json',\n      beforeSend:function(){},\n      success:function(result){\n          console.log(result)\n          img_path = result.data.file_path\n      }\n  });\n}\n```\n图片服务器接受代码，php语言实现\n```$xslt\nfunction base64_image_content($base64_image_content,$path){\n    \u002F\u002F匹配出图片的格式\n    if (preg_match('\u002F^(data:\\s*image\\\u002F(\\w+);base64,)\u002F', $base64_image_content, $result)){\n        $type = $result[2];\n        $new_file = $path.\"\u002F\";\n        if(!file_exists($new_file)){\n            \u002F\u002F检查是否有该文件夹，如果没有就创建，并给予最高权限\n            mkdir($new_file, 0700,true);\n        }\n        $new_file = $new_file.time().\".{$type}\";\n        if (file_put_contents($new_file, base64_decode(str_replace($result[1], '', $base64_image_content)))){\n            return $new_file;\n        }else{\n            return false;\n        }\n    }else{\n        return false;\n    }\n}\n```\n\n### 人脸检测\n\n人脸检测方法有许多，比如opencv自带的人脸Haar特征分类器和dlib人脸检测方法等。\n对于opencv的人脸检测方法，有点是简单，快速；存在的问题是人脸检测效果不好。正面\u002F垂直\u002F光线较好的人脸，该方法可以检测出来，而侧面\u002F歪斜\u002F光线不好的人脸，无法检测。因此，该方法不适合现场应用。对于dlib人脸检测方法 ，效果好于opencv的方法，但是检测力度也难以达到现场应用标准。\n本文中，我们采用了基于深度学习方法的mtcnn人脸检测系统（mtcnn：Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Neural Networks）。mtcnn人脸检测方法对自然环境中光线，角度和人脸表情变化更具有鲁棒性，人脸检测效果更好；同时，内存消耗不大，可以实现实时人脸检测。本文中采用mtcnn是基于python和tensorflow的实现（代码来自于davidsandberg，caffe实现代码参见：kpzhang93）\n```$xslt\nmodel= os.path.abspath(face_comm.get_conf('mtcnn','model'))\nclass Detect:\n    def __init__(self):\n        self.detector = MtcnnDetector(model_folder=model, ctx=mx.cpu(0), num_worker=4, accurate_landmark=False)\n    def detect_face(self,image):\n        img = cv2.imread(image)\n        results =self.detector.detect_face(img)\n        boxes=[]\n        key_points = []\n        if results is not None:  \n            #box框\n            boxes=results[0]\n            #人脸5个关键点\n            points = results[1]\n            for i in results[0]:\n                faceKeyPoint = []\n                for p in points:\n                    for i in range(5):\n                        faceKeyPoint.append([p[i], p[i + 5]])\n                key_points.append(faceKeyPoint)\n        return {\"boxes\":boxes,\"face_key_point\":key_points}\n```\n具体代码参考fcce_detect.py\n\n### 人脸对齐\n\n有时候我们截取的人脸了头像可能是歪的，为了提升检测的质量，需要把人脸校正到同一个标准位置，这个位置是我们定义的，假设我们设定的标准检测头像是这样的\n\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchenlinzhong_face-login_readme_cd22647e6704.png)\n\n假设眼睛，鼻子三个点的坐标分别是a(10,30) b(20,30) c(15,45)，具体设置可参看config.ini文件alignment块配置项\n\n采用opencv仿射变换进行对齐,获取仿射变换矩阵\n```\ndst_point=【a,b,c】\ntranform = cv2.getAffineTransform(source_point, dst_point)\n```\n\n仿射变换:\n> img_new = cv2.warpAffine(img, tranform, imagesize)\n\n具体代码参考face_alignment.py文件\n\n### 产生特征\n\n对齐得到后的头像，放入采用预训练的facenet对检测的人脸进行embedding，embedding成512维度的特征，以(id,vector)的形式保存在lmdb文件中\n```$xslt\n facenet.load_model(facenet_model_checkpoint)\n images_placeholder = tf.get_default_graph().get_tensor_by_name(\"input:0\")\n embeddings = tf.get_default_graph().get_tensor_by_name(\"embeddings:0\")\n phase_train_placeholder = tf.get_default_graph().get_tensor_by_name(\"phase_train:0\")\n\n face=self.dectection.find_faces(image)\n prewhiten_face = facenet.prewhiten(face.image)\n # Run forward pass to calculate embeddings\n feed_dict = {images_placeholder: [prewhiten_face], phase_train_placeholder: False}\n return self.sess.run(embeddings, feed_dict=feed_dict)[0]\n```\n\n具体代码可参看face_encoder.py\n\n\n人脸特征索引:\n\n人脸识别的时候不能对每一个人脸都进行比较，太慢了，相同的人得到的特征索引都是比较类似，可以采用KNN分类算法去识别,这里采用是更高效annoy算法对人脸特征创建索引，annoy索引算法的有个假设就是，每个人脸特征可以看做是在高维空间的一个点，如果两个很接近(相识)，任何超平面\n都无法把他们分开，也就是说如果空间的点很接近，用超平面去分隔，相似的点一定会分在同一个平面空间（具体参看:https:\u002F\u002Fgithub.com\u002Fspotify\u002Fannoy）\n\n```$xslt\n#人脸特征先存储在lmdb文件中格式(id,vector),所以这里从lmdb文件中加载\nlmdb_file = self.lmdb_file\nif os.path.isdir(lmdb_file):\n    evn = lmdb.open(lmdb_file)\n    wfp = evn.begin()\n    annoy = AnnoyIndex(self.f)\n    for key, value in wfp.cursor():\n        key = int(key)\n        value = face_comm.str_to_embed(value)\n        annoy.add_item(key,value)\n\n    annoy.build(self.num_trees)\n    annoy.save(self.annoy_index_path)\n```\n具体代码可参看face_annoy.py\n\n### 人脸识别\n经过上面三个步骤后，得到人脸特征，在索引中查询最近几个点并就按欧式距离，如果距离小于0.6（更据实际情况设置的阈值）则认为是同一个人，然后根据id在数据库查找到对应人的信息即可\n\n```\n#根据人脸特征找到相似的\ndef query_vector(self,face_vector):\n    n=int(face_comm.get_conf('annoy','num_nn_nearst'))\n    return self.annoy.get_nns_by_vector(face_vector,n,include_distances=True)\n```\n\n具体代码可参看face_annoy.py\n\n### 安装部署\n\n建表，用于存在用户注册信息，并在web\u002FDqMysql.php 中配置数据库信息\n\n```\ncreate database face;\nCREATE TABLE `face_user` (\n `id` int(11) NOT NULL AUTO_INCREMENT,\n `img` varchar(1024) NOT NULL DEFAULT '',\n `user_name` varchar(1024) NOT NULL DEFAULT '',\n `email` varchar(1024) NOT NULL DEFAULT '',\n PRIMARY KEY (`id`)\n) ENGINE=InnoDB DEFAULT CHARSET=utf8\n```\n\n系统采用有两个模块组成：\n\n* face_web：提供用户注册登录，人脸采集，php语言实现\n* face_server: 提供人脸检测，裁剪，对齐，识别功能，python语言实现\n\n模块间采用socket方式通信通信格式为: length+content\n\nface_server相关的配置在config.ini文件中\n\n1.使用镜像\n\n* face_serverdocker镜像: shareclz\u002Fpython2.7.10-face-image\n* face_web镜像: skiychan\u002Fnginx-php7\n\n假设项目路径为\u002Fdata1\u002Fface-login\n\n2.安装face_server容器\n```\ndocker run -it --name=face_server --net=host  -v \u002Fdata1:\u002Fdata1  shareclz\u002Fpython2.7.10-face-image \u002Fbin\u002Fbash\ncd \u002Fdata1\u002Fface-login\nrm -rf  \u002Fdata1\u002Fface-login\u002Fmodels\u002Ffacedetect\u002F20180408-102900\u002F._model-20180408-102900.meta\npython face_server.py\n```\n\n3.安装face_web容器\n\n```\ndocker run -it --name=face_web --net=host  -v \u002Fdata1:\u002Fdata1   shareclz\u002Fphp7.2.14 \u002Fbin\u002Fbash\nsed -i \"s\u002Fextension='swoole.so'\u002F\u002Fg\"  \u002Fusr\u002Flocal\u002Flib\u002Fphp.ini          \nsed -i \"s\u002Fextension='pthreads.so'\u002F\u002Fg\" \u002Fusr\u002Flocal\u002Flib\u002Fphp.ini          \ncd \u002Fdata1\u002Fface-login;\nphp -S 0.0.0.0:9988 -t .\u002Fweb\u002F \n\n```\n\n最终效果：\n\nface_server加载mtcnn模型和facenet模型后等待人脸请求\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchenlinzhong_face-login_readme_1a349cabaec1.png)\n\n未注册识别失败\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchenlinzhong_face-login_readme_e84bc3815d82.png)\n\n人脸注册\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchenlinzhong_face-login_readme_357db92c084d.png)\n\n\n注册后登录成功\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchenlinzhong_face-login_readme_aea08ac18593.png)\n\n\n### 参考\n\nhttps:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25025596\n\nhttps:\u002F\u002Fgithub.com\u002Fspotify\u002Fannoy\n\nhttps:\u002F\u002Fblog.csdn.net\u002Fjust_sort\u002Farticle\u002Fdetails\u002F79337526\n\nhttps:\u002F\u002Fblog.csdn.net\u002FoTengYue\u002Farticle\u002Fdetails\u002F79278572\n\n\n\n\n\n\n\n\n\n\n\n\n\n","# 基于MTCNN与FaceNet实现人脸登录系统\n\n本文主要介绍了系统涉及的人脸检测与识别的详细方法，该系统基于python2.7.10\u002Fopencv2\u002Ftensorflow1.7.0环境，实现了从摄像头读取视频，检测人脸，识别人脸的功能\n由于模型文件过大，git无法上传，整个项目放在百度云盘，地址:https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1TaalpwQwPTqlCIfXInS_LA\n\n\n\n人脸识别是计算机视觉研究领域的一个热点。目前，在实验室环境下，许多人脸识别已经赶上（超过）人工识别精度（准确率：0.9427~0.9920），比如face++,DeepID3，FaceNet等（详情可以参考：基于深度学习的人脸识别技术综述）。但是，由于光线，角度，表情，年龄等多种因素，导致人脸识别技术无法在现实生活中广泛应用。本文基于python\u002Fopencv\u002Ftensorflow环境，采用FaceNet（LFW：0.9963 ）为基础来构建实时人脸检测与识别系统，探索人脸识别系统在现实应用中的难点。下文主要内容如下 ：\n\n1. 利用htm5 video标签打开摄像头采集头像并使用jquery.faceDeaction组件来粗略检测人脸\n2. 将人脸图像上传到服务器，采用mtcnn检测人脸\n3. 利用opencv的仿射变换对人脸进行对齐，保存对齐后的人脸\n4. 采用预训练的facenet对检测的人脸进行embedding，embedding成512维度的特征；\n5. 对人脸embedding特征创建高效的annoy索引进行人脸检测\n\n\n### 人脸采集\n采用html5 video标签可以很方便的实现从摄像头读取视频帧，下文代码实现了从摄像头读取视频帧，faceDection识别人脸后截取图像上传到服务器功能\n在html文件中添加video，canvas标签\n```$xslt\n\u003Cdiv class=\"booth\">\n    \u003Cvideo id=\"video\" width=\"400\" height=\"300\" muted class=\"abs\" >\u003C\u002Fvideo>\n    \u003Ccanvas id=\"canvas\" width=\"400\" height=\"300\">\u003C\u002Fcanvas>\n  \u003C\u002Fdiv>\n```\n打开网络摄像头\n```$xslt\nvar video = document.getElementById('video'),\nvar vendorUrl = window.URL || window.webkitURL;\n\u002F\u002F媒体对象\nnavigator.getMedia = navigator.getUserMedia || navagatorwebkitGetUserMedia || navigator.mozGetUserMedia || navigator.msGetUserMedia;\nnavigator.getMedia({video: true, \u002F\u002F使用摄像头对象audio: false  \u002F\u002F不适用音频}, function(strem){\n    video.src = vendorUrl.createObjectURL(strem);\n    video.play();\n});\n```\n利用jquery的facetDection组件检测人脸\n\n> $('#canvas').faceDetection()\n\n检测出人连脸的话截图，并把图片转换为base64的格式，方便上传\n\n```$xslt\ncontext.drawImage(video, 0, 0, video.width, video.height);\nvar base64 = canvas.toDataURL('images\u002Fpng');\n```\n\n将base64格式的图片上传到服务器\n```$xslt\n\u002F\u002F上传人脸图片\nfunction upload(base64) {\n  $.ajax({\n      \"type\":\"POST\",\n      \"url\":\"\u002Fupload.php\",\n      \"data\":{'img':base64},\n      'dataType':'json',\n      beforeSend:function(){},\n      success:function(result){\n          console.log(result)\n          img_path = result.data.file_path\n      }\n  });\n}\n```\n图片服务器接受代码，php语言实现\n```$xslt\nfunction base64_image_content($base64_image_content,$path){\n    \u002F\u002F匹配出图片的格式\n    if (preg_match('\u002F^(data:\\s*image\\\u002F(\\w+);base64,)\u002F', $base64_image_content, $result)){\n        $type = $result[2];\n        $new_file = $path.\"\u002F\";\n        if(!file_exists($new_file)){\n            \u002F\u002F检查是否有该文件夹，如果没有就创建，并给予最高权限\n            mkdir($new_file, 0700,true);\n        }\n        $new_file = $new_file.time().\".{$type}\";\n        if (file_put_contents($new_file, base64_decode(str_replace($result[1], '', $base64_image_content)))){\n            return $new_file;\n        }else{\n            return false;\n        }\n    }else{\n        return false;\n    }\n}\n```\n\n### 人脸检测\n\n人脸检测方法有许多，比如opencv自带的人脸Haar特征分类器和dlib人脸检测方法等。\n对于opencv的人脸检测方法，有点是简单，快速；存在的问题是人脸检测效果不好。正面\u002F垂直\u002F光线较好的人脸，该方法可以检测出来，而侧面\u002F歪斜\u002F光线不好的人脸，无法检测。因此，该方法不适合现场应用。对于dlib人脸检测方法 ，效果好于opencv的方法，但是检测力度也难以达到现场应用标准。\n本文中，我们采用了基于深度学习方法的mtcnn人脸检测系统（mtcnn：Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Neural Networks）。mtcnn人脸检测方法对自然环境中光线，角度和人脸表情变化更具有鲁棒性，人脸检测效果更好；同时，内存消耗不大，可以实现实时人脸检测。本文中采用mtcnn是基于python和tensorflow的实现（代码来自于davidsandberg，caffe实现代码参见：kpzhang93）\n```$xslt\nmodel= os.path.abspath(face_comm.get_conf('mtcnn','model'))\nclass Detect:\n    def __init__(self):\n        self.detector = MtcnnDetector(model_folder=model, ctx=mx.cpu(0), num_worker=4, accurate_landmark=False)\n    def detect_face(self,image):\n        img = cv2.imread(image)\n        results =self.detector.detect_face(img)\n        boxes=[]\n        key_points = []\n        if results is not None:  \n            #box框\n            boxes=results[0]\n            #人脸5个关键点\n            points = results[1]\n            for i in results[0]:\n                faceKeyPoint = []\n                for p in points:\n                    for i in range(5):\n                        faceKeyPoint.append([p[i], p[i + 5]])\n                key_points.append(faceKeyPoint)\n        return {\"boxes\":boxes,\"face_key_point\":key_points}\n```\n具体代码参考fcce_detect.py\n\n### 人脸对齐\n\n有时候我们截取的人脸了头像可能是歪的，为了提升检测的质量，需要把人脸校正到同一个标准位置，这个位置是我们定义的，假设我们设定的标准检测头像是这样的\n\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchenlinzhong_face-login_readme_cd22647e6704.png)\n\n假设眼睛，鼻子三个点的坐标分别是a(10,30) b(20,30) c(15,45)，具体设置可参看config.ini文件alignment块配置项\n\n采用opencv仿射变换进行对齐,获取仿射变换矩阵\n```\ndst_point=【a,b,c】\ntranform = cv2.getAffineTransform(source_point, dst_point)\n```\n\n仿射变换:\n> img_new = cv2.warpAffine(img, tranform, imagesize)\n\n具体代码参考face_alignment.py文件\n\n### 产生特征\n\n对齐得到后的头像，放入采用预训练的facenet对检测的人脸进行embedding，embedding成512维度的特征，以(id,vector)的形式保存在lmdb文件中\n```$xslt\n facenet.load_model(facenet_model_checkpoint)\n images_placeholder = tf.get_default_graph().get_tensor_by_name(\"input:0\")\n embeddings = tf.get_default_graph().get_tensor by name(\"embeddings:0\")\n phase_train_placeholder = tf.get_default graph's get tensor by name(\"phase_train:0\")\n\n face=self.dectection.find_faces(image)\n prewhiten_face = facenet.prewhiten(face.image)\n # Run forward pass to calculate embeddings\n feed_dict = {images_placeholder: [prewhiten_face], phase_train_placeholder: False}\n return self.sess.run(embeddings, feed_dict=feed_dict)[0]\n```\n\n具体代码可参看face_encoder.py\n\n\n人脸特征索引:\n\n人脸识别的时候不能对每一个人脸都进行比较，太慢了，相同的人得到的特征索引都是比较类似，可以采用KNN分类算法去识别,这里采用是更高效annoy算法对人脸特征创建索引，annoy索引算法的有个假设就是，每个人脸特征可以看做是在高维空间的一个点，如果两个很接近(相识)，任何超平面\n都无法把他们分开，也就是说如果空间的点很接近，用超平面去分隔，相似的点一定会分在同一个平面空间（具体参看:https:\u002F\u002Fgithub.com\u002Fspotify\u002Fannoy)\n\n```$xslt\n#人脸特征先存储在lmdb文件中格式(id,vector),所以这里从lmdb文件中加载\nlmdb_file = self.lmdb_file\nif os.path.isdir(lmdb_file):\n    evn = lmdb.open(lmdb_file)\n    wfp = evn.begin()\n    annoy = AnnoyIndex(self.f)\n    for key, value in wfp.cursor():\n        key = int(key)\n        value = face_comm.str_to_embed(value)\n        annoy.add_item(key,value)\n\n    annoy.build(self.num_trees)\n    annoy.save(self.annoy_index_path)\n```\n具体代码可参看face_annoy.py\n\n### 人脸识别\n经过上面三个步骤后，得到人脸特征，在索引中查询最近几个点并就按欧式距离，如果距离小于0.6（更据实际情况设置的阈值）则认为是同一个人，然后根据id在数据库查找到对应人的信息即可\n\n```\n#根据人脸特征找到相似的\ndef query_vector(self,face_vector):\n    n=int(face_comm.get_conf('annoy','num_nn_nearst'))\n    return self.annoy.get_nns_by_vector(face_vector,n,include_distances=True)\n```\n\n具体代码可参看face_annoy.py\n\n### 安装部署\n\n创建表，用于存储用户注册信息，并在 web\u002FDqMysql.php 中配置数据库信息。\n\n```\ncreate database face;\nCREATE TABLE `face_user` (\n `id` int(11) NOT NULL AUTO_INCREMENT,\n `img` varchar(1024) NOT NULL DEFAULT '',\n `user_name` varchar(1024) NOT NULL DEFAULT '',\n `email` varchar(1024) NOT NULL DEFAULT '',\n PRIMARY KEY (`id`)\n) ENGINE=InnoDB DEFAULT CHARSET=utf8\n```\n\n系统由两个模块组成：\n\n* face_web：提供用户注册登录、人脸采集功能，使用 PHP 语言实现。\n* face_server：提供人脸检测、裁剪、对齐、识别功能，使用 Python 语言实现。\n\n模块之间采用 Socket 方式通信，通信格式为：长度+内容。\n\nface_server 的相关配置位于 config.ini 文件中。\n\n1. 使用镜像\n\n* face_server Docker 镜像：shareclz\u002Fpython2.7.10-face-image\n* face_web 镜像：skiychan\u002Fnginx-php7\n\n假设项目路径为 \u002Fdata1\u002Fface-login。\n\n2. 安装 face_server 容器\n\n```\ndocker run -it --name=face_server --net=host  -v \u002Fdata1:\u002Fdata1  shareclz\u002Fpython2.7.10-face-image \u002Fbin\u002Fbash\ncd \u002Fdata1\u002Fface-login\nrm -rf  \u002Fdata1\u002Fface-login\u002Fmodels\u002Ffacedetect\u002F20180408-102900\u002F._model-20180408-102900.meta\npython face_server.py\n```\n\n3. 安装 face_web 容器\n\n```\ndocker run -it --name=face_web --net=host  -v \u002Fdata1:\u002Fdata1   shareclz\u002Fphp7.2.14 \u002Fbin\u002Fbash\nsed -i \"s\u002Fextension='swoole.so'\u002F\u002Fg\"  \u002Fusr\u002Flocal\u002Flib\u002Fphp.ini          \nsed -i \"s\u002Fextension='pthreads.so'\u002F\u002Fg\" \u002Fusr\u002Flocal\u002Flib\u002Fphp.ini          \ncd \u002Fdata1\u002Fface-login;\nphp -S 0.0.0.0:9988 -t .\u002Fweb\u002F \n\n```\n\n最终效果：\n\nface_server 加载 MTCNN 模型和 FaceNet 模型后，等待人脸请求。\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchenlinzhong_face-login_readme_1a349cabaec1.png)\n\n未注册时识别失败。\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchenlinzhong_face-login_readme_e84bc3815d82.png)\n\n人脸注册。\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchenlinzhong_face-login_readme_357db92c084d.png)\n\n\n注册后登录成功。\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchenlinzhong_face-login_readme_aea08ac18593.png)\n\n\n### 参考\n\nhttps:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25025596\n\nhttps:\u002F\u002Fgithub.com\u002Fspotify\u002Fannoy\n\nhttps:\u002F\u002Fblog.csdn.net\u002Fjust_sort\u002Farticle\u002Fdetails\u002F79337526\n\nhttps:\u002F\u002Fblog.csdn.net\u002FoTengYue\u002Farticle\u002Fdetails\u002F79278572","# face-login 快速上手指南\n\nface-login 是一个基于 MTCNN（人脸检测）和 FaceNet（人脸识别）构建的实时人脸登录系统。该系统通过摄像头采集人脸，经服务器端检测、对齐、特征提取后，利用 Annoy 索引进行高效匹配识别。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**: Linux (推荐 Ubuntu\u002FCentOS)\n- **运行方式**: 推荐使用 Docker 容器化部署（避免复杂的 Python\u002FPHP 环境配置）\n- **硬件**: 建议配备 CPU 多核或 GPU 以加速推理过程\n\n### 前置依赖\n项目分为两个核心模块，需准备以下 Docker 镜像：\n- **face_server (后端)**: 负责检测、对齐、识别。\n  - 镜像: `shareclz\u002Fpython2.7.10-face-image`\n  - 内置环境: Python 2.7.10, TensorFlow 1.7.0, OpenCV, MTCNN, FaceNet\n- **face_web (前端)**: 负责用户注册、登录界面及图片上传。\n  - 镜像: `skiychan\u002Fnginx-php7` (或 `shareclz\u002Fphp7.2.14`)\n  - 内置环境: PHP 7+, Nginx\n\n> **注意**: 由于模型文件过大未包含在 Git 仓库中，请确保已从百度网盘下载完整项目代码至服务器，并放置于指定目录（如 `\u002Fdata1\u002Fface-login`）。\n> 模型下载地址：https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1TaalpwQwPTqlCIfXInS_LA\n\n## 安装步骤\n\n假设项目完整代码已存放于服务器路径 `\u002Fdata1\u002Fface-login`。\n\n### 1. 数据库初始化\n在 MySQL 中创建数据库及用户表，用于存储注册用户信息。\n\n```sql\ncreate database face;\nUSE face;\nCREATE TABLE `face_user` (\n `id` int(11) NOT NULL AUTO_INCREMENT,\n `img` varchar(1024) NOT NULL DEFAULT '',\n `user_name` varchar(1024) NOT NULL DEFAULT '',\n `email` varchar(1024) NOT NULL DEFAULT '',\n PRIMARY KEY (`id`)\n) ENGINE=InnoDB DEFAULT CHARSET=utf8;\n```\n*请根据实际数据库地址修改 `web\u002FDqMysql.php` 中的配置。*\n\n### 2. 启动后端服务 (face_server)\n启动容器并运行人脸检测与识别服务。\n\n```bash\ndocker run -it --name=face_server --net=host  -v \u002Fdata1:\u002Fdata1  shareclz\u002Fpython2.7.10-face-image \u002Fbin\u002Fbash\n\n# 进入容器后执行以下命令\ncd \u002Fdata1\u002Fface-login\n# 清理可能存在的异常元数据文件\nrm -rf  \u002Fdata1\u002Fface-login\u002Fmodels\u002Ffacedetect\u002F20180408-102900\u002F._model-20180408-102900.meta\n# 启动服务\npython face_server.py\n```\n*服务启动后将加载 MTCNN 和 FaceNet 模型，监听 Socket 请求。*\n\n### 3. 启动前端服务 (face_web)\n启动 Web 容器提供用户交互界面。\n\n```bash\ndocker run -it --name=face_web --net=host  -v \u002Fdata1:\u002Fdata1   shareclz\u002Fphp7.2.14 \u002Fbin\u002Fbash\n\n# 进入容器后执行以下命令\n# 禁用可能冲突的扩展\nsed -i \"s\u002Fextension='swoole.so'\u002F\u002Fg\"  \u002Fusr\u002Flocal\u002Flib\u002Fphp.ini          \nsed -i \"s\u002Fextension='pthreads.so'\u002F\u002Fg\" \u002Fusr\u002Flocal\u002Flib\u002Fphp.ini          \n\ncd \u002Fdata1\u002Fface-login\n# 启动 PHP 内置服务器，监听 9988 端口\nphp -S 0.0.0.0:9988 -t .\u002Fweb\u002F \n```\n\n## 基本使用\n\n系统启动后，可通过浏览器访问 `http:\u002F\u002F\u003C服务器IP>:9988` 进行操作。\n\n### 1. 人脸注册\n1. 打开网页，允许浏览器访问摄像头权限。\n2. 页面会自动调用 `jquery.faceDetection` 进行粗略检测，并截取人脸图像上传至服务器。\n3. 服务器端依次执行：\n   - **MTCNN 检测**: 精确定位人脸及 5 个关键点。\n   - **人脸对齐**: 利用 OpenCV 仿射变换将人脸校正至标准位置。\n   - **特征提取**: 使用预训练 FaceNet 生成 512 维特征向量。\n   - **建立索引**: 将特征存入 LMDB 并构建 Annoy 索引。\n4. 填写用户名、邮箱等信息完成注册。\n\n### 2. 人脸登录\n1. 在登录页面对准摄像头。\n2. 系统捕获人脸并提取特征向量。\n3. 通过 Annoy 索引查询最近邻节点，计算欧式距离。\n   - **判定逻辑**: 若距离小于阈值（默认 0.6），则视为同一人。\n4. 验证成功后，系统根据 ID 从数据库读取用户信息并自动登录。\n\n### 流程示意\n- **注册成功**: 页面提示注册成功，后台生成对应索引。\n- **登录成功**: 摄像头画面显示识别结果，跳转至用户主页。\n- **识别失败**: 若未注册或距离超过阈值，提示识别失败。","某科技园区的安保团队正试图升级老旧的门禁系统，希望用非接触式的人脸识别替代传统的刷卡方式，以提升早晚高峰的通行效率。\n\n### 没有 face-login 时\n- **环境适应性差**：传统的 OpenCV Haar 特征分类器在早晨逆光或员工侧身行走时经常无法检测人脸，导致闸机无响应。\n- **操作流程繁琐**：员工必须刻意停下脚步、正对摄像头并调整角度才能被识别，严重拖慢了通行速度。\n- **误识率较高**：简单的特征匹配难以区分相似度高的面孔，存在安全隐患，且无法处理表情变化带来的干扰。\n- **部署维护困难**：缺乏统一的深度学习流程，每次调整检测阈值都需要手动修改底层代码，迭代成本极高。\n\n### 使用 face-login 后\n- **鲁棒性显著增强**：基于 MTCNN 的多任务级联卷积网络能精准应对光线变化、大角度侧脸及丰富表情，实现全天候稳定检测。\n- **无感快速通行**：系统自动通过仿射变换将歪斜人脸对齐至标准位置，员工无需刻意停顿，自然行走间即可完成验证。\n- **识别精度提升**：利用 FaceNet 生成的 512 维特征向量结合 Annoy 索引，不仅大幅降低误识率，还能高效处理大规模人员库。\n- **全流程自动化**：从前端 HTML5 视频流采集到后端 TensorFlow 推理，形成闭环系统，实时性强且易于集成到现有 Web 架构中。\n\nface-login 通过将前沿的深度学习模型工程化，成功解决了复杂现实环境下人脸识别“落地难”的痛点，让门禁系统真正实现了安全与便捷的平衡。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchenlinzhong_face-login_cd22647e.png","chenlinzhong",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fchenlinzhong_26299f4f.png","北京","https:\u002F\u002Fgithub.com\u002Fchenlinzhong",[79,83,87,91,95,99,103],{"name":80,"color":81,"percentage":82},"PHP","#4F5D95",53.5,{"name":84,"color":85,"percentage":86},"Python","#3572A5",22.3,{"name":88,"color":89,"percentage":90},"JavaScript","#f1e05a",21.9,{"name":92,"color":93,"percentage":94},"MATLAB","#e16737",1.6,{"name":96,"color":97,"percentage":98},"Smarty","#f0c040",0.4,{"name":100,"color":101,"percentage":102},"HTML","#e34c26",0.3,{"name":104,"color":105,"percentage":106},"CSS","#663399",0,684,231,"2026-04-10T02:43:56",4,"Linux","未说明 (基于 TensorFlow 1.7.0，代码示例中指定使用 CPU: mx.cpu(0))","未说明",{"notes":115,"python":116,"dependencies":117},"1. 项目架构分为 face_web (PHP) 和 face_server (Python) 两个模块，通过 Socket 通信。2. 官方推荐使用 Docker 部署，提供了特定的镜像 (shareclz\u002Fpython2.7.10-face-image 和 skiychan\u002Fnginx-php7)。3. 模型文件过大未包含在 Git 中，需从百度网盘手动下载。4. 核心算法依赖 MTCNN 进行人脸检测，FaceNet 进行特征提取 (512 维)，Annoy 建立索引。5. 代码中明确配置了 MXNet 在 CPU 上运行，对 GPU 无强制要求但可能影响速度。","2.7.10",[118,119,120,121,122,123,124,125],"tensorflow==1.7.0","opencv2","mxnet","lmdb","annoy","PHP 7.x","Nginx","Docker",[15],[128],"mtcnn-face-detection","2026-03-27T02:49:30.150509","2026-04-19T06:03:18.128660",[132,137,142],{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},41818,"安装 face_web 容器时一直卡在某个状态无法继续，怎么办？","该问题是由于之前使用的 PHP 镜像存在缺陷导致的。维护者已重新打包了一个新的镜像来修复此问题。请拉取最新的镜像并重新尝试安装步骤，问题即可解决。","https:\u002F\u002Fgithub.com\u002Fchenlinzhong\u002Fface-login\u002Fissues\u002F3",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},41819,"运行 python face_server.py 时提示找不到 import 模块，如何解决？","此错误通常意味着缺少必要的 Python 依赖库。虽然该议题下暂无直接回复，但标准解决方案是检查项目根目录下的 requirements.txt 文件，并运行 `pip install -r requirements.txt` 安装所有缺失的模块，确保当前 Python 环境与项目要求一致。","https:\u002F\u002Fgithub.com\u002Fchenlinzhong\u002Fface-login\u002Fissues\u002F19",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},41820,"人脸数量增多后出现识别错误（识别成别人），该如何调整？","这是由人脸识别的相似度阈值设置引起的。系统通过计算欧式距离来判断是否为同一人，默认阈值为 0.6。如果距离小于该值则判定为同一个人。当人脸库变大时，建议根据实际测试情况，在 PHP 代码中调整这个阈值（降低阈值可提高准确性，减少误识），以适配更多的人脸数据。","https:\u002F\u002Fgithub.com\u002Fchenlinzhong\u002Fface-login\u002Fissues\u002F14",[]]