OpenFace •

基于深度神经网络的免费开源人脸识别工具。

---

• 官网：http://cmusatyalab.github.io/openface/
• API 文档
• 加入 cmu-openface 论坛 或 gitter 聊天室 参与讨论及解决安装问题。
• 开发讨论和 bug 报告请提交至 issue 追踪器。

---

本研究得到了美国国家科学基金会（NSF）CNS-1518865 号资助的支持。此外，英特尔公司、谷歌、沃达丰、英伟达以及康克林·基斯勒家族基金也提供了支持。本文中所表达的观点、发现、结论或建议均属作者个人意见，不应归因于其雇主或资助机构。

本仓库包含哪些内容？

• batch-represent: 从一批图像中生成特征表示。示例目录结构。
• demos/web: 实时网页演示。
• demos/compare.py: 比较两张图片的演示。
• demos/vis-outputs.lua: 可视化网络输出的演示。
• demos/classifier.py: 训练和使用分类器的演示。
• demos/classifier_webcam.py: 在网络摄像头流上使用已训练分类器的演示。
• evaluation: LFW 准确率评估脚本。
• openface: Python 库代码。
• models: OpenFace 及第三方库的模型目录。
• tests: 脚本和库代码的测试，包括神经网络训练。
• training: 用于训练新的 OpenFace 神经网络模型的脚本。
• util: 工具脚本。

引用

如果您认为 OpenFace 对您的研究有帮助，请在您的出版物中引用它。以下是针对我们 OpenFace 技术报告 的 BibTeX 和纯文本参考。

@techreport{amos2016openface,
  title={OpenFace: A general-purpose face recognition
    library with mobile applications},
  author={Amos, Brandon and Bartosz Ludwiczuk and Satyanarayanan, Mahadev},
  year={2016},
  institution={CMU-CS-16-118, CMU School of Computer Science},
}

B. Amos, B. Ludwiczuk, M. Satyanarayanan,
"Openface: A general-purpose face recognition library with mobile applications,"
CMU-CS-16-118, CMU School of Computer Science, Tech. Rep., 2016.

许可协议

除非另有说明，源代码以及训练好的 Torch 和 Python 模型文件均受卡内基梅隆大学版权保护，并根据 Apache 2.0 许可证 授权使用。来自以下第三方来源的部分内容已被修改并包含在本仓库中。 这些部分已在源文件中注明，版权归各自作者所有，并遵循所列许可协议。

项目	修改情况	许可协议
Atcold/torch-TripletEmbedding	无	MIT
facebook/fbnn	是	BSD
dlib-models（68点人脸关键点检测器）	无	CC0

OpenFace 快速上手指南

OpenFace 是一个基于深度神经网络的免费开源人脸识别库，支持面部特征提取、比对及分类器训练。

1. 环境准备

系统要求

• 操作系统: Linux (推荐 Ubuntu 14.04/16.04) 或 macOS。Windows 支持有限，建议使用 Docker 或虚拟机。
• 硬件: 推荐使用 NVIDIA GPU 以加速神经网络推理和训练（需安装 CUDA）。

前置依赖

在开始之前，请确保系统已安装以下基础工具：

• Git
• CMake
• Boost
• OpenCV
• LuaJIT
• Torch (深度学习框架)
• Python 2.7 或 3.x (取决于具体脚本版本，旧版 OpenFace 主要基于 Python 2.7 + Torch)

注意: OpenFace 强依赖 Torch 框架。国内用户安装 Torch 时若遇到网络问题，可尝试配置国内镜像或使用代理。

2. 安装步骤

第一步：克隆仓库

git clone https://github.com/cmusatyalab/openface.git
cd openface

第二步：安装依赖

运行官方提供的依赖安装脚本（以 Ubuntu 为例）：

./util/install-deps.sh

注：如果是 macOS，请运行 ./util/install-deps-osx.sh。

第三步：安装 Python 包

进入项目目录并安装所需的 Python 库：

pip install -r requirements.txt

(若在国内下载缓慢，可指定清华源：pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple)

第四步：下载预训练模型

OpenFace 需要预训练的神经网络模型才能工作。运行以下脚本自动下载：

./util/download-models.sh

该脚本会将模型下载到 models/ 目录下。如果自动下载失败，可手动从 GitHub Releases 页面下载对应版本的模型文件并解压至 models/ 目录。

第五步：构建与测试 (可选)

验证安装是否成功：

python demos/compare.py images/examples/{lennon-1.jpg,lennon-2.jpg}

3. 基本使用

场景一：批量生成面部特征向量

使用 batch-represent 工具将图像文件夹中的人脸转换为数学表示（向量），用于后续比对或聚类。

假设你有一个包含人脸图像的目录 images/，结构如下：

images/
├── personA/
│   ├── 1.jpg
│   └── 2.jpg
└── personB/
    └── 1.jpg

执行命令生成特征：

./util/align-dlib.py images/ align outerEyesAndNose aligned-images/ --size 96
python batch-represent/main.lua -outDir output/ -data aligned-images/

说明：第一步先进行人脸对齐（Align），第二步生成特征向量。结果将保存在 output/ 目录的 .csv 文件中。

场景二：比较两张图片的人脸相似度

直接使用 compare.py 脚本计算两张图片中人脸的距离（距离越小越相似）：

python demos/compare.py images/examples/lennon-1.jpg images/examples/lennon-2.jpg

输出示例：

Distance: 0.45 (Threshold: 0.7) -> Same person

场景三：训练并使用简单分类器

如果你希望识别特定人物（如“张三”、“李四”），可以使用提供的分类器演示脚本。

1. 准备数据：按人名建立文件夹，放入对应照片（参考场景一的目录结构）。
2. 训练分类器：

   python demos/classifier.py training-set/ output-classifier/
   

3. 预测单张图片：

   python demos/classifier.py predict output-classifier/ images/examples/test.jpg
   

---

更多高级功能（如实时 Webcam 演示、Web 接口部署）请参考项目 demos/ 目录下的其他脚本及官方 API 文档。