首先简要讨论基于深度学习的面部识别的工作原理，包括“深度度量学习”的概念。 然后，我将帮助您安装实际执行人脸识别所需的库。 最后，我们将为静止图像和视频流实现人脸识别。

安装人脸识别库

==================================================================

为了使用 Python 和 OpenCV 执行人脸识别，我们需要安装两个额外的库：

• dlib

• face_recognition

安装 dlib

---

pip install dlib

或者你可以从源代码编译：

git clone https://github.com/davisking/dlib.git

cd dlib

mkdir build

cd build

cmake … -DUSE_AVX_INSTRUCTIONS=1

cmake --build .

cd …

python setup.py install --yes USE_AVX_INSTRUCTIONS

如果安装失败可以尝试：

pip install dlib-bin

效果一样，但是这样做只有能安装CPU版本，缺点就是慢。

安装支持 GPU 的 dlib（可选）

---

如果你有一个兼容 CUDA 的 GPU，你可以安装支持 GPU 的 dlib，使面部识别更快、更高效。 为此，我建议从源代码安装 dlib，因为您可以更好地控制构建：

$ git clone https://github.com/davisking/dlib.git

$ cd dlib

$ mkdir build

$ cd build

$ cmake … -DDLIB_USE_CUDA=1 -DUSE_AVX_INSTRUCTIONS=1

$ cmake --build .

$ cd …

$ python setup.py install --yes USE_AVX_INSTRUCTIONS --yes DLIB_USE_CUDA

建议用GPU版本，如果安装失败参考这篇文章：

https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/121470556?spm=1001.2014.3001.5501

安装 face_recognition 包

=================================================================================

face_recognition 模块可以通过一个简单的 pip 命令安装：

pip install face_recognition

安装 imutils

=====================================================================

您还需要我的便利功能包 imutils。 你可以通过 pip 将它安装在你的 Python 虚拟环境中：

pip install imutils

人脸识别数据集

==================================================================

数据集来源网络搜索，我选取了几名大家认识的人物，有Biden、chenglong、mayun、Trump、yangmi、zhaoliying等。每个人物放入3-4张图片，如下图：

获得此图像数据集，我们将：

• 为数据集中的每个人脸创建 128 维嵌入

• 使用这些嵌入来识别图像和视频流中人物的面部

制作数据集的方法：

人脸识别项目结构

===================================================================

myface

├── dataset

├─dataset

│ ├─Biden

│ ├─chenglong

│ ├─mayun

│ ├─Trump

│ ├─yangmi

│ └─zhaoliying

├── encode_faces.py

├── recognize_faces_image.py

├── recognize_faces_video.py

└── encodings.pickle

我们的项目有 4 个顶级目录：

• dataset/ ：包含六个字符的面部图像，根据它们各自的名称组织到子目录中。 。

• output/ ：这是您可以存储处理过的人脸识别视频的地方。 我要把我的一个留在文件夹里——原侏罗纪公园电影中的经典“午餐场景”。

• videos/ ：输入视频应存储在此文件夹中。 该文件夹还包含“午餐场景”视频，但尚未经过我们的人脸识别系统。

我们在根目录下还有 6 个文件：

• encode_faces.py ：人脸的编码（128 维向量）是用这个脚本构建的。

• identify_faces_image.py ：识别单个图像中的人脸（基于数据集中的编码）。

• identify_faces_video.py ：识别来自网络摄像头的实时视频流中的人脸并输出视频。

• encodings.pickle ：面部识别编码通过 encode_faces.py 从您的数据集生成，然后序列化到磁盘。

创建图像数据集后（使用 search_bing_api.py ），我们将运行 encode_faces.py 来构建嵌入。 然后，我们将运行识别脚本来实际识别人脸。

使用 OpenCV 和深度学习对人脸进行编码

=================================================================================

在识别图像和视频中的人脸之前，我们首先需要量化训练集中的人脸。 请记住，我们实际上并不是在这里训练网络——网络已经被训练为在大约 300 万张图像的数据集上创建 128 维嵌入。

当然可以从头开始训练网络，甚至可以微调现有模型的权重。一般情况。

使用预训练网络然后使用它为我们数据集中的 29张人脸中的每一张构建 128 维嵌入更容易。

然后，在分类过程中，我们可以使用一个简单的 k-NN 模型 + 投票来进行最终的人脸分类。 其他传统的机器学习模型也可以在这里使用。 要构建我们的人脸嵌入，

请新建 encode_faces.py：

import the necessary packages

from imutils import paths

import face_recognition

import argparse

import pickle

import cv2

import os

dataset_path=‘dataset’

encodings_path=‘encodings.pickle’

detection_method=‘cnn’

获取数据集中输入图像的路径

print(“[INFO] quantifying faces…”)

imagePaths = list(paths.list_images(dataset_path))

初始化已知编码和已知名称的列表

knownEncodings = []

knownNames = []

遍历图像路径

for (i, imagePath) in enumerate(imagePaths):

从图片路径中提取人名

print(“[INFO] processing image {}/{}”.format(i + 1,

len(imagePaths)))

name = imagePath.split(os.path.sep)[-2]

加载输入图像并从 BGR 转换（OpenCV 排序）

到 dlib 排序（RGB）

image = cv2.imread(imagePath)

rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

检测边界框的 (x, y) 坐标

对应输入图像中的每个人脸

boxes = face_recognition.face_locations(rgb, model=detection_method)

计算人脸的嵌入

encodings = face_recognition.face_encodings(rgb, boxes)

遍历 encodings

for encoding in encodings:

将每个编码 + 名称添加到我们的已知名称集中

编码

knownEncodings.append(encoding)

knownNames.append(name)

导入包，定义全局变量

变量的含义：

• dataset_path：数据集的路径。

• encodings_path ：我们的人脸编码被写入这个参数指向的文件路径。

• detection_method ：在我们对图像中的人脸进行编码之前，我们首先需要检测它们。 或者两种人脸检测方法包括 hog 或 cnn 。

现在我们已经定义了我们的参数，让我们获取数据集中文件的路径（以及执行两个初始化）：

输入数据集目录的路径来构建其中包含的所有图像路径的列表。

在循环之前分别初始化两个列表 knownEncodings 和 knownNames 。 这两个列表将包含数据集中每个人的面部编码和相应的姓名。

这个循环将循环 19次，对应于我们在数据集中的 19张人脸图像。

遍历每个图像的路径。从 imagePath中提取人名。 然后让我们加载图像，同时将 imagePath 传递给 cv2.imread。 OpenCV 使用BGR 颜色通道，但 dlib 实际上期望 RGB。 face_recognition 模块使用 dlib ，交换颜色空间。 接下来，让我们定位人脸并计算编码：

对于循环的每次迭代，我们将检测一张脸，查找/定位了她的面孔，从而生成了面孔框列表。 我们将两个参数传递给 face_recognition.face_locations 方法：

• rgb ：我们的 RGB 图像。

• model：cnn 或 hog（该值包含在与“detection_method”键关联的命令行参数字典中）。 CNN方法更准确但速度更慢。 HOG 速度更快，但准确度较低。

然后，将面部的边界框转换为 128 个数字的列表。这称为将面部编码为向量，而 face_recognition.face_encodings 方法会处理它。 编码和名称附加到适当的列表（knownEncodings 和 knownNames）。然后，将继续对数据集中的所有 19张图像执行此操作。

dump the facial encodings + names to disk

print(“[INFO] serializing encodings…”)

data = {“encodings”: knownEncodings, “names”: knownNames}

f = open(args[“encodings”], “wb”)

f.write(pickle.dumps(data))

f.close()

构造了一个带有两个键的字典—— “encodings” 和 “names” 。

将名称和编码转储到磁盘以备将来调用。运行encode_faces.py

D:\ProgramData\Anaconda3\python.exe D:/cv/myface/encode_faces.py

[INFO] quantifying faces…

[INFO] processing image 1/19

[INFO] processing image 2/19

[INFO] processing image 3/19

[INFO] processing image 4/19

[INFO] processing image 5/19

[INFO] processing image 6/19

[INFO] processing image 7/19

[INFO] processing image 8/19

[INFO] processing image 9/19

[INFO] processing image 10/19

[INFO] processing image 11/19

[INFO] processing image 12/19

[INFO] processing image 13/19

[INFO] processing image 14/19

做了那么多年开发，自学了很多门编程语言，我很明白学习资源对于学一门新语言的重要性，这些年也收藏了不少的Python干货，对我来说这些东西确实已经用不到了，但对于准备自学Python的人来说，或许它就是一个宝藏，可以给你省去很多的时间和精力。

别在网上瞎学了，我最近也做了一些资源的更新，只要你是我的粉丝，这期福利你都可拿走。

我先来介绍一下这些东西怎么用，文末抱走。

---

（1）Python所有方向的学习路线（新版）

这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

最近我才对这些路线做了一下新的更新，知识体系更全面了。

（2）Python学习视频

包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。

（3）100多个练手项目

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。

（4）200多本电子书

这些年我也收藏了很多电子书，大概200多本，有时候带实体书不方便的话，我就会去打开电子书看看，书籍可不一定比视频教程差，尤其是权威的技术书籍。

基本上主流的和经典的都有，这里我就不放图了，版权问题，个人看看是没有问题的。

（5）Python知识点汇总

知识点汇总有点像学习路线，但与学习路线不同的点就在于，知识点汇总更为细致，里面包含了对具体知识点的简单说明，而我们的学习路线则更为抽象和简单，只是为了方便大家只是某个领域你应该学习哪些技术栈。

（6）其他资料

还有其他的一些东西，比如说我自己出的Python入门图文类教程，没有电脑的时候用手机也可以学习知识，学会了理论之后再去敲代码实践验证，还有Python中文版的库资料、MySQL和HTML标签大全等等，这些都是可以送给粉丝们的东西。

这些都不是什么非常值钱的东西，但对于没有资源或者资源不是很好的学习者来说确实很不错，你要是用得到的话都可以直接抱走，关注过我的人都知道，这些都是可以拿到的。

小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数初中级Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python爬虫全套学习资料》送给大家，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

由于文件比较大，这里只是将部分目录截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频

如果你觉得这些内容对你有帮助，可以添加下面V无偿领取！（备注：python）

东西。

这些都不是什么非常值钱的东西，但对于没有资源或者资源不是很好的学习者来说确实很不错，你要是用得到的话都可以直接抱走，关注过我的人都知道，这些都是可以拿到的。

小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数初中级Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python爬虫全套学习资料》送给大家，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

由于文件比较大，这里只是将部分目录截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频

如果你觉得这些内容对你有帮助，可以添加下面V无偿领取！（备注：python）
[外链图片转存中…(img-tYzIaHg7-1711210192912)]