人脸编码与识别

相关源文件

• README.rst
• examples/find_facial_features_in_picture.py
• examples/recognize_faces_in_pictures.py
• face_recognition/api.py

目的与范围

本文档解释了 face_recognition 库的面部编码和识别组件。这些组件将检测到的面部转换为数值特征向量（编码），并将这些向量进行比较以识别或验证面部。有关在图像中检测面部的信息，请参阅 面部检测，有关定位面部地标的详细信息，请参阅 面部地标。

系统概览

面部编码和识别是核心功能，可以在检测到面部后识别图像中的“谁”。该系统包含两个主要组件：

1. 面部编码 - 将面部图像转换为 128 维的数值特征向量
2. 面部识别 - 比较面部编码以确定身份或相似性

来源： face_recognition/api.py63-75 face_recognition/api.py203-214 face_recognition/api.py217-226

面部编码

面部编码是将面部图像转换为紧凑的数值表示的过程，该表示捕捉了面部的独特特征。

技术实现

face_encodings 函数使用一个使用 ResNet 架构训练的深度学习模型来为每个面部生成一个 128 维的特征向量。

来源： face_recognition/api.py28-29 face_recognition/api.py203-214

函数签名和参数

face_encodings 函数将检测到的面部转换为编码。

参数

• face_image：包含一个或多个面部的图像
• known_face_locations：面部的边界框的可选列表（如果已知）
• num_jitters：在计算编码时重新采样面部的次数（值越高，准确性越高，处理时间也越长）
• model：使用哪个地标模型（“small” 更快，“large” 更详细）

返回值

• 一个 128 维面部编码列表（图像中每个面部一个）

来源： face_recognition/api.py203-214

面部识别

面部识别涉及比较面部编码以确定两个面部是否代表同一个人。

比较方法

该库提供了两种主要的比较面部编码的方法：

1. 二进制比较（compare_faces）：返回匹配的 True/False
2. 距离测量（face_distance）：返回相似度得分

比较面部

compare_faces 函数确定一个面部是否与任何已知面部匹配。

参数

• known_face_encodings：已知面部编码列表
• face_encoding_to_check：要与列表进行比较的编码
• tolerance：考虑匹配的阈值（值越低，要求越严格）

返回值

• True/False 值列表，指示哪些已知面部与测试面部匹配

来源： face_recognition/api.py217-226

面部距离

face_distance 函数计算面部编码之间的欧氏距离。

参数

• face_encodings：要比较的面部编码列表
• face_to_compare：要进行比较的面部编码

返回值

• 距离数组，值越小表示面部越相似

来源： face_recognition/api.py63-75

理解容差

容差参数控制面部比较的严格程度。

容差值	比较严格程度	误报	假阴性
0.4	非常严格	低	高
0.6	默认/平衡	中等	中等
0.8	宽松	高	低

较低的容差值要求面部更加相似才能被视为匹配，这可以减少假阳性，但可能会增加假阴性。

来源： README.rst179-191

典型用法工作流程

典型的面部识别工作流程包括以下步骤：

示例代码

以下模式演示了基本面部识别。

来源： examples/recognize_faces_in_pictures.py1-29 README.rst316-334

高级用例

处理多个已知面部

与多个已知面部进行比较时，

查找最佳匹配

当存在多个匹配项时，您可以使用面部距离来查找最接近的匹配项。

来源： examples/recognize_faces_in_pictures.py19-29 README.rst198-208

系统架构

面部编码和识别系统依赖于以下组件：

来源： face_recognition/api.py28-29 face_recognition/api.py203-214 face_recognition/api.py217-226

性能考量

优化技术

1. 预先计算已知面部的编码，而不是重复计算。
2. 批量处理多个图像（如果可能）。
3. 根据准确性要求和速度调整 num_jitters。
4. 使用“small”地标模型以实现更快的编码。
5. 优化面部检测（请参阅 性能优化）。

内存使用

面部编码在存储和比较方面效率很高。

• 每个面部编码都是一个 128 个元素的浮点向量（约 512 字节）。
• 可以高效地存储和比较数千个编码。
• 面部编码可以被序列化（例如，使用 pickle 或 NumPy 的 save 函数）以实现持久化。

来源： face_recognition/api.py203-214 README.rst224-241

常见问题与解决方案

问题	可能原因	解决方案
未返回编码	图像中未检测到面部	首先检查面部检测结果。
误报	容差过高	降低容差值（例如，0.5 而不是 0.6）。
假阴性	容差过低	增加容差值。
准确性差	低质量图像	提高图像分辨率、光照和面部定位。
性能缓慢	较高的 num_jitters	减少抖动次数。
儿童识别问题	模型是针对成人训练的。	对儿童使用更严格的容差值（约 0.4-0.5）。

来源： README.rst179-191 README.rst397-400 face_recognition/api.py203-214

结论

face_recognition 库的面部编码和识别组件提供了强大而易用的工具，用于将面部图像转换为数字表示并比较这些表示以识别个人。该系统平衡了易用性与 dlib 强大的底层深度学习模型，为面部识别任务提供了最先进的性能。