一、初识

 OpenCV是一款广泛使用的计算机视觉库，包含了很多人脸识别的方法。这里我们主要介绍face_recognition，它是OpenCV中一个基于深度学习的人脸识别模块。使用face_recognition，你可以输入一张图像或一段视频流，然后对其中的人脸进行识别和标注。其核心功能是将图像中的人脸进行编码，然后与已有的人脸编码进行比对，从而进行人脸识别。此外，face_recognition还提供了一些其他的功能，比如人脸特征点检测、人脸姿态估计等。通过这些功能，你可以更加全面地理解一张人脸图像的信息。

二、步骤

 1.安装环境

pip install opencv-python
pip install numpy
pip install cmake
pip install dlib
pip install face_recognition

在pip install dlib时，失败，试了很多办法不管用，Debug真的折磨人(´；ω；`)，如下：

最后通过手动下载dlib文件，手动安装才成功的。注意dlib的版本要和python版本对应！

附上链接：python3.7-3.10对应的dlib版本：.whl文件。

2.face_recognition库函数介绍

face_recognition.load_image_file(file, mode='RGB')

此方法用于加载图像文件。它将文件读取为一个 numpy 数组，并返回该数组。其中，file 是要加载的图像文件的路径，mode 是可选参数，用于指定读取模式，默认值为 'RGB'。

face_recognition.face_locations(image, model='hog')

此方法用于查找图像中所有面部的位置。它将返回一个包含所有面部位置的列表，每个面部位置表示为一个四元组 (top, right, bottom, left)，分别表示面部框的上边缘、右边缘、下边缘和左边缘的坐标。其中，image 是要查找面部位置的图像，model 是可选参数，用于指定面部定位模型，默认值为 'hog'。

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

此方法用于计算图像中面部的特征编码。它将返回一个包含所有面部特征编码的列表。每个面部特征编码是一个 128 维的向量，可以用于比较不同面部之间的相似性。其中，image 是要计算面部特征编码的图像，known_face_locations 是可选参数，用于指定已知的面部位置，如果指定了此参数，则计算速度会更快，默认值为 None。num_jitters 是可选参数，用于指定特征编码计算的次数，以提高准确性，默认值为 1。model 是可选参数，用于指定面部定位模型，默认值为 'small'。

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

此方法用于比较两个面部特征编码之间的相似性。它将返回一个包含所有匹配结果的列表。每个匹配结果是一个布尔值，表示对应的面部特征编码是否匹配。其中，known_face_encodings是一个包含所有已知面部特征编码的列表，face_encoding_to_check 是要比较的面部特征编码，tolerance 是可选参数，用于指定匹配的容差度，默认值为 0.6。

face_recognition.face_distance(face_encodings, face_to_compare) 是 face_recognition 库中的一个函数，用于计算一张人脸图像与多个参考人脸图像之间的欧氏距离。

face_encodings：一个包含多张人脸图像编码的列表，每个编码都是一个 128 维的向量，用于表示对应人脸的特征。

face_to_compare：一个代表待比较人脸图像的编码，同样是一个 128 维的向量。

三、实战

 1.人像图片对比

import cv2
import numpy as np
import face_recognition

imgElon = face_recognition.load_image_file('ImagesBasic/Bill Gates.jpg')  # 加载图片
imgElon = cv2.cvtColor(imgElon, cv2.COLOR_BGR2RGB)  # 将BGR彩色图像转化为RGB彩色图像
imgTest = face_recognition.load_image_file('ImagesBasic/Elon Musk.jpg')
imgTest = cv2.cvtColor(imgTest, cv2.COLOR_BGR2RGB)

faceLoc = face_recognition.face_locations(imgElon)[0]  # 定位人脸位置
encodeElon = face_recognition.face_encodings(imgElon)[0]  # 提取人脸的面部特征
cv2.rectangle(imgElon, (faceLoc[3], faceLoc[0]), (faceLoc[1], faceLoc[2]), (255, 0, 255), 2)  # 框出人脸

# print(faceLoc)

faceLocTest = face_recognition.face_locations(imgTest)[0]
encodeTest = face_recognition.face_encodings(imgTest)[0]
cv2.rectangle(imgTest, (faceLocTest[3], faceLocTest[0]), (faceLocTest[1], faceLocTest[2]), (255, 0, 255), 2)

result = face_recognition.compare_faces([encodeElon], encodeTest)  # 比较人脸编码的相似度
faceDis = face_recognition.face_distance([encodeElon], encodeTest)  # 计算两个人脸的欧氏距离（欧氏距离用于计算样本之间的相似度或距离）
print(result, faceDis)
cv2.putText(imgTest, f'{result}{round(faceDis[0], 2)}', (50, 50), cv2.FONT_HERSHEY_COMPLEX, 1, (0, 0, 255), 2)  # 显示比对结果

cv2.imshow('Elon Musk', imgElon)
cv2.imshow('Elon Test', imgTest)
key = cv2.waitKey(0)
if key == 27:  # 按ESC键退出
    cv2.destroyAllWindows()

运行结果：

 False：表示不是同一个人。0.77为欧氏距离，值越大相似度越小，值越小相似度越大。

2.调用摄像头，人脸识别

import cv2
import numpy as np
import face_recognition
import os
from datetime import datetime

path = 'ImagesBasic'  # 人像存储位置
images = []
className = []
myList = os.listdir(path)  # 返回指定文件目录下的列表，这里返回的是人像图片
print(myList)

for cl in myList:  # 获取每张人像的名称
    curImg = cv2.imread(f'{path}/{cl}')
    images.append(curImg)
    className.append(os.path.splitext(cl)[0])
print(className)


def findEncodings(images):  # 获取所有存储的人像编码
    encodeList = []
    for img in images:
        img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
        encode = face_recognition.face_encodings(img)[0]
        encodeList.append(encode)
    return encodeList


def markAttendance(name):  # 打卡，生成记录
    with open('Attendance.csv', 'r+') as f:
        myDatalist = f.readlines()  # 读取文件中所有的行
        nameList = []
        for line in myDatalist:
            entry = line.split(',')
            nameList.append(entry[0])
        if name not in nameList:
            now = datetime.now()
            dtString = now.strftime('%H:%M:%S')  # 将日期时间格式化成字符串
            f.writelines(f'\n{name},{dtString}')  # 将包含多个字符串的可迭代对象写入文件中，这里是记录人名


encodeListKnown = findEncodings(images)
print('encoding complete')
cap = cv2.VideoCapture(0)

while True:
    success, img = cap.read()
    imgs = cv2.resize(img, (0, 0), None, 0.25, 0.25)  # 调整图片大小
    imgs = cv2.cvtColor(imgs, cv2.COLOR_BGR2RGB)

    faceCurFrame = face_recognition.face_locations(imgs)  # 获取人脸位置信息
    encodesCurFrame = face_recognition.face_encodings(imgs, faceCurFrame)  # 获取人脸编码

    for encodeFace, faceLoc in zip(encodesCurFrame, faceCurFrame):  # zip函数，连接成字典
        matches = face_recognition.compare_faces(encodeListKnown, encodeFace)  # 人脸匹配度
        faceDis = face_recognition.face_distance(encodeListKnown, encodeFace)  # 欧式距离
        # print(faceDis)
        matchIndex = np.argmin(faceDis)  # 返回数组中小元素的索引
        if matches[matchIndex]:
            name = className[matchIndex].upper()
            print(name)
            y1, x2, y2, x1 = faceLoc  # 人脸位置
            y1, x2, y2, x1 = y1 * 4, x2 * 4, y2 * 4, x1 * 4
            cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 1)
            cv2.rectangle(img, (x1, y2 - 35), (x2, y2), (0, 255, 0), cv2.FILLED)
            cv2.putText(img, name, (x1 + 6, y2 - 6), cv2.FONT_HERSHEY_COMPLEX, 1, (255, 255, 255), 2)
            markAttendance(name)  # 记录人名

    cv2.imshow(str('Face_Detector'), img)

    if cv2.waitKey(1) & 0xff == 27:
        break

测试结果：(´ω｀★)

项目打包：人脸识别