face_recognition

Windows系統環境下安裝

預設環境：anaconda的python3.7版本，win10環境

第一步：安裝dlib

1. 從網路上下載：

http://dlib.net/ 或者 https://github.com/davisking/dlib

2. 下載完成後解壓

3. 編譯：開啟終端，是使用anaconda的python環境定位到dlib資料夾，使用 pyhton setup.py install 安裝檔案。

4. 在安裝過程遇到的問題：

   1. 找不到cmake的問題

      官網下載安裝包：[https://cmake.org/download/]

      下載完成之後，解壓縮，然後將cmake的bin資料夾新增在系統環境路徑中。

5. 從新使用 pyhton setup.py install 安裝檔案。

第二步：安裝face_recognition

使用 pip install face_recognition 安裝即可。

用法

1. 匯入face_recognition

import face_recognition

2. 載入影象

影象載入到一個 numpy 陣列中

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

3. 對圖片進行操作

batch_face_locations

使用 cnn 人臉檢測器返回影象中人臉邊界框的二維陣列 ，使用GPU批量處理影象

face_recognition.api.batch_face_locations(images, number_of_times_to_upsample=1, batch_size=128)

引數：

• images：影象列表
• number_of_times_to_upsample： 在影象上尋找人臉的次數 ， 數字越大，查詢精細
• batch_size： 每個 GPU 處理批次中包含多少影象

返回：

​ 以 css（上、右、下、左）順序找到的人臉位置的元組列表

compare_faces

面部編碼列表與候選編碼進行比較，看看它們是否匹配。

face_recognition.api.compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6)
 

引數：

• known_face_encodings： 已知人臉編碼列表
• face_encoding_to_check： 要與列表進行比較的單個人臉編碼
• tolerance： 人臉之間的距離多少才算是匹配。越低越嚴格。0.6 是典型的最佳效能

返回：

​ True/False 值列表

face_distance

給定一個人臉編碼列表，將它們與已知的人臉編碼進行比較，並獲得每個比較人臉的歐幾里德距離。距離告訴您面孔的相似程度。

face_recognition.api.face_distance( face_encodings , face_to_compare )

引數：

​ face_encodings： 要比較的人臉編碼列表

​ face_to_compare： 要比較的人臉編碼

返回：

​ 一個 numpy ndarray，每個面的距離與 'faces' 陣列的順序相同

face_encodings

給定一個影象，返回影象中每個人臉的 128 維人臉編碼。

face_recognition.api.face_encodings( face_image , known_face_locations=None , num_jitters=1 , model='small' )

引數：

​ face_image： 包含一張或多張人臉的影象

​ known_face_locations： 可選 - 已經知道每個人臉的邊界框。

​ num_jitters： 計算編碼時對人臉重新取樣的次數。更高更準確，但更慢（即 100 慢 100 倍）

​ model： 可選 - 要使用的模型。“ large ”或“ small ”（預設）僅返回 5 個點，但速度更快。

返回：

​ 128 維人臉編碼列表（影象中的每個人臉編碼一個）

face_landmarks

給定一個影象，返回影象中每個人臉特徵位置（眼睛、鼻子等）的字典

face_recognition.api.face_landmarks( face_image , face_locations=None , model='large' )

引數：

​ face_image： 要搜尋的影象

​ face_locations： 可選擇提供要檢查的人臉位置列表。

​ model： 可選 - 要使用的模型。“large ”（預設）或“small”僅返回 5 個點但速度更快。

返回：

​ 面部特徵位置（眼睛、鼻子等）的字典列表

face_locations

返回影象中人臉的邊界框陣列

face_recognition.api.face_locations( img , number_of_times_to_upsample=1 , model='hog' )

引數：

​ img： 影象（作為 numpy 陣列）

​ number_of_times_to_upsample：在影象上尋找人臉的次數。較高的數字會發現較小的面孔。

​ model： 要使用的人臉檢測模型。“hog”在 CPU 上不太準確但速度更快。“cnn”是一種更準確的深度學習模型，它經過 GPU/CUDA 加速（如果可用）。 預設為“hog”

返回：

​ 以 css（上、右、下、左）順序找到的人臉位置的元組列表

load_image_file

將影象檔案（.jpg、.png 等）載入到 numpy 陣列中

face_recognition.api.load_image_file(file,model='RGB')

引數：

​ file： 要載入的影象檔名或檔案物件

​ model： 將影象轉換為的格式。僅支援“RGB”（8 位 RGB，3 通道）和“L”（黑白）。

返回：

​ 影象內容作為 numpy 陣列