数学建模与人工智能

主题

@TOC

face_recognition 是一个基于 Python 的人脸识别库，封装了 dlib 的深度学习模型。

1. 人脸检测：face_locations() ​

在图像中定位人脸位置（边界框）。

python
face_locations(img, number_of_times_to_upsample=1, model="hog")
  • img：输入的图像（numpy 数组），通过 load_image_file() 加载。
  • number_of_times_to_upsample（默认=1）：
    对图像进行上采样的次数（放大图像以检测更小人脸）。值越高检测越慢，但能检测更小的人脸。
  • model（默认="hog"）：
    检测模型选择：
    • "hog"：速度较快（CPU 友好），精度一般。
    • "cnn"：高精度（需 GPU 加速），速度慢。

2. 人脸编码：face_encodings() ​

获取人脸的 128 维特征向量（用于识别）。

python
face_encodings(face_image, known_face_locations=None, num_jitters=1, model="small")
  • face_image：输入图像（numpy 数组）。
  • known_face_locations（可选）：
    若已通过 face_locations() 检测到位置，直接传入边界框列表（避免重复检测）。
  • num_jitters（默认=1）：
    生成编码时随机扰动的次数（增加鲁棒性）。值越高越精确，但速度越慢。
  • model（默认="small"）：
    编码模型选择：
    • "small"：速度快，精度略低（默认）。
    • "large"：精度更高（适合侧脸、遮挡），速度慢。

3. 人脸比对：compare_faces() ​

比较两个人脸编码是否匹配。

python
compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6)
  • known_face_encodings：已知人脸的编码列表（多个）。
  • face_encoding_to_check：待比对的单个人脸编码。
  • tolerance（默认=0.6）：
    判断是否为同一人的阈值（欧氏距离）。
    值越小越严格（0.4-0.6 是常用范围）。

4. 加载图像：load_image_file() ​

加载图像文件为 numpy 数组。

python
load_image_file(file, mode="RGB")
  • file：图像文件路径。
  • mode（默认="RGB"）：
    颜色模式："RGB"（三通道）或 "L"（灰度图）。

5. 人脸关键点：face_landmarks() ​

检测人脸 68 个关键点（眼、鼻、嘴等）。

python
face_landmarks(face_image, face_locations=None, model="large")
  • face_image：输入图像。
  • face_locations（可选）：若已检测位置，直接传入。
  • model（默认="large"）：
    • "large"：检测 68 个点（默认）。
    • "small"：检测 5 个点（更快，但信息少）。

6. 批量处理（GPU 优化）：batch_face_locations() ​

批量处理多张图像（仅支持 CNN 模型）。

python
batch_face_locations(images, number_of_times_to_upsample=1, batch_size=128)
  • images：图像列表（numpy 数组）。
  • batch_size（默认=128）：GPU 一次处理的图像数量（需根据显存调整）。

7. 计算人脸特征向量间欧氏距离：face_distance() ​

face_distance 是 face_recognition 库中用于计算人脸特征向量间欧氏距离的关键函数，它提供了比 compare_faces() 更精细的相似度度量。

函数定义 ​

python
face_recognition.face_distance(face_encodings, face_to_compare)

参数详解 ​

  1. face_encodings (必需)

    • 类型：列表（List of 128D arrays）
    • 说明：包含一个或多个已知人脸的特征向量（128维编码）。每个编码通过 face_encodings() 函数生成。
    • 示例：[encoding1, encoding2, ...]

  2. face_to_compare (必需)

    • 类型：128D 数组
    • 说明：待比较的目标人脸特征向量
    • 示例：target_encoding

返回值 ​

  • 类型：NumPy 数组（float 类型）
  • 说明：返回目标人脸与每个已知人脸的欧氏距离（Euclidean distance）
    • 距离值范围：[0, +∞)
    • 值越小表示越相似（0 = 完全相同）

与 compare_faces() 的关系 ​

compare_faces() 实际上是在内部调用 face_distance() 并应用阈值判断：

python
def compare_faces(encodings, target, tolerance=0.6):
    return list(face_distance(encodings, target) <= tolerance

阈值参考 ​

距离范围相似程度典型应用场景
0.0 - 0.4极高相似度严格身份验证
0.4 - 0.6可能匹配（默认阈值）常规人脸识别
0.6 - 0.8低相似度需二次确认
> 0.8极可能不同人排除匹配

安装 face_recognition 需要的基础组件 ​

  1. Python：3.6 或更高版本（推荐 3.8+）
  2. dlib：核心人脸识别库（C++编写）
  3. CMake：用于编译 dlib
  4. C++ 编译器：
    • Linux: g++ 或 clang
    • Windows: Visual Studio 构建工具
    • macOS: Xcode 命令行工具

示例代码 ​

训练 ​

python
import face_recognition
import os
import pickle
import numpy as np
from sklearn.metrics import accuracy_score, classification_report

# 加载预训练模型
with open("face_recognition_model.pkl", 'rb') as f:
    model_data = pickle.load(f)
known_encodings = model_data['encodings']
known_names = model_data['names']

# 验证集路径
val_path = "val_data"

# 存储结果
true_labels = []
pred_labels = []
image_paths = []

# 遍历验证集
for person_name in os.listdir(val_path):
    person_dir = os.path.join(val_path, person_name)

    for image_name in os.listdir(person_dir):
        image_path = os.path.join(person_dir, image_name)

        # 检查是否是符号链接（单人照片）
        if os.path.islink(image_path):
            actual_path = os.path.realpath(image_path)
            image = face_recognition.load_image_file(actual_path)
            is_single_sample = True
        else:
            image = face_recognition.load_image_file(image_path)
            is_single_sample = False

        # 检测人脸
        face_locations = face_recognition.face_locations(image)
        if len(face_locations) == 0:
            print(f"警告: {image_path} 未检测到人脸")
            continue

        # 提取特征
        face_encodings = face_recognition.face_encodings(image, face_locations)
        if len(face_encodings) == 0:
            continue

        # 使用第一张人脸（假设每张图片只有一个人）
        face_encoding = face_encodings[0]

        # 匹配人脸 - 对单人样本使用更宽松的阈值
        if is_single_sample:
            tolerance = 0.65  # 更宽松的阈值
        else:
            tolerance = 0.6  # 正常阈值

        matches = face_recognition.compare_faces(known_encodings, face_encoding, tolerance)
        name = "Unknown"

        # 使用最接近的匹配
        face_distances = face_recognition.face_distance(known_encodings, face_encoding)
        best_match_index = np.argmin(face_distances)

        if matches[best_match_index]:
            name = known_names[best_match_index]

        # 记录结果
        true_labels.append(person_name)
        pred_labels.append(name)
        image_paths.append(image_path)

# 计算整体准确率
accuracy = accuracy_score(true_labels, pred_labels)
print(f"整体准确率: {accuracy:.4f}")

# 分类报告
print("\n分类报告:")
print(classification_report(true_labels, pred_labels))

# 单独分析单人照片的表现
single_sample_results = []
for i, path in enumerate(image_paths):
    if os.path.islink(path):  # 符号链接表示单人照片
        single_sample_results.append({
            "image_path": path,
            "true_label": true_labels[i],
            "pred_label": pred_labels[i],
            "correct": true_labels[i] == pred_labels[i]
        })

# 打印单人照片结果
if single_sample_results:
    print("\n单人照片识别结果:")
    correct_count = 0
    for result in single_sample_results:
        status = "✓" if result["correct"] else "✗"
        print(f"{status} {result['true_label']} -> {result['pred_label']} ({os.path.basename(result['image_path'])})")
        if result["correct"]:
            correct_count += 1

    single_accuracy = correct_count / len(single_sample_results)
    print(f"\n单人照片准确率: {single_accuracy:.4f} ({correct_count}/{len(single_sample_results)})")
else:
    print("\n验证集中没有单人照片")

预测 ​

python
import face_recognition
import os
import pickle

# 配置路径
train_path = "train_data"
model_save_path = "face_recognition_model.pkl"

# 存储特征和标签
known_face_encodings = []
known_face_names = []

single_sample_persons = []  # 记录只有单个样本的人

for person_name in os.listdir(train_path):
    person_dir = os.path.join(train_path, person_name)
    person_images = os.listdir(person_dir)

    # 记录单人样本
    if len(person_images) == 1:
        single_sample_persons.append(person_name)

    for image_name in person_images:
        image_path = os.path.join(person_dir, image_name)
        image = face_recognition.load_image_file(image_path)

        # 检测人脸
        face_locations = face_recognition.face_locations(image)
        if len(face_locations) == 0:
            print(f"警告: {image_path} 未检测到人脸")
            continue

        # 提取特征
        face_encodings = face_recognition.face_encodings(image, face_locations)
        if len(face_encodings) > 0:
            known_face_encodings.append(face_encodings[0])
            known_face_names.append(person_name)

# 保存模型
with open(model_save_path, 'wb') as f:
    pickle.dump({
        'encodings': known_face_encodings,
        'names': known_face_names
    }, f)

print(f"模型训练完成! 共学习 {len(known_face_names)} 张人脸")
print(f"其中 {len(single_sample_persons)} 人只有单个样本: {', '.join(single_sample_persons)}")

参考 ​

Released under the MIT License.

Copyright © 2025 数学建模与人工智能