一.安装包依赖

pip install opencv-pythonpip install face-recognition

如果安装face_recognition过程中报错，提示：“CMake must be installed to build the following extensions: dlib”，则需要安装CMake

pip install cmake

cmake安装成功后再安装face_recognition

可以使用国内镜像安装，否则可能比较耗时，国内镜像如下：

• 清华：https://pypi.tuna.tsinghua.edu.cn/simple/
• 阿里云：https://mirrors.aliyun.com/pypi/simple/
• 中国科技大学： https://pypi.mirrors.ustc.edu.cn/simple/
• 华中理工大学：https://pypi.hustunique.com/
• 山东理工大学：https://pypi.sdutlinux.org/
• 豆瓣：https://pypi.douban.com/simple/

执行脚本的时候后面加上对应的镜像地址：

pip install xxxxx -i https://pypi.tuna.tsinghua.edu.cn/simple/

如果使用的是Microsoft Visual Studio ，则可以直接在项目目录下的Python环境上右键，选择Install Python Package... 安装对应的开发包

在输入框里输入对应的开发包名即可，如果使用国内镜像，则在包名后面加上 -i https://xxxx即可

例如我使用阿里云镜像安装face-recognition

点击OK后，会给一个提示框，点击“确定”继续即可

然后就可以在VS下面的输出中看到安装进度了

二.代码示例

import os

import cv2
import numpy as np
import face_recognition
import time
 
#对人脸集合进行编码进行处理
def findEncodeings(images):
    encodeList=[]
    for img in images:
        #灰度处理
        img=cv2.cvtColor(src=img,code=cv2.COLOR_BGR2RGB)
        #face_encodings对图片对象a_images进行编码并返回数组0位置编码结果
        encode=face_recognition.face_encodings(img)[0]
        encodeList.append(encode)
    return encodeList
 
#获取当前存储的人脸编码集合
def findExistsEncodeingList(img_path):
    images=[]
    #现有的人脸编码集合
    existsEncodeingList=[]
    #列出已经上传的所有图片
    imgList=os.listdir(img_path)
    #处理存储的图片得到其人脸编码
    for pic in imgList:
        img=cv2.imread({}/{}.format(img_path,pic))
        images.append(img)
        classNames.append(os.path.splitext(pic)[0])
    #计算findEncodeings的耗时
    start =time.clock()
    existsEncodeingList=findEncodeings(images)
    end = time.clock()
    print(Running time: %s Seconds%(end-start))
    return existsEncodeingList
 
#保存文件名，也就是图像中人物的名称
classNames=[]
img_path=Picture
cap=cv2.VideoCapture(0)
existsEncodeingList=findExistsEncodeingList(img_path)
while cap.isOpened():
    #读取当前摄像头的画面
    ret,frame=cap.read()
    #给摄像头画面一个尺寸大小
    frame=cv2.resize(src=frame,dsize=(1078,760))
    frameRGB=cv2.cvtColor(src=frame,code=cv2.COLOR_BGR2RGB)
    #对摄像头读取的检测人脸
    facesLocate=face_recognition.face_locations(frameRGB)
    #进行特征编码
    faceEncoded=face_recognition.face_encodings(frameRGB,facesLocate)
	#遍历检测的人脸和库中读取的图片进行对比，计算其相似度
    for (top,right, bottom,left),face_encoding in zip(facesLocate,faceEncoded):
        #进行匹配
        matchs=face_recognition.compare_faces(existsEncodeingList,face_encoding)
        #计算相似度
        distance=face_recognition.face_distance(existsEncodeingList,face_encoding)
        #判断是否匹配
        name=unknow
        for index, item in enumerate(distance):
           if item<0.38:
                if matchs[index]:
                    #得到匹配到的图片名称与相似度值
                    name=Similar photos exist: {}; similarity value:{}.format(classNames[index],item)
                    break
        #初始化面部捕捉框显示绿色
        color1 =(0,255,0)
        if name ==unknow:
            #未能识别的时候显示蓝色
            color1 =(255,0,0)
        #画面部捕捉框
        cv2.rectangle(img=frame,pt1=(left,top),pt2=(right,bottom),color=color1,thickness=2)
        #在捕捉框上添加匹配到的图片信息
        cv2.putText(frame, name, (left,top-8),cv2.FONT_HERSHEY_SIMPLEX, 0.35, color1, 1)
    cv2.imshow(frame,frame)
    #按下回车键结束
    if cv2.waitKey(1)&0xFF==13:
        break
cap.release()
cv2.destroyAllWindows()

代码里面每行基本上都有注释，所以这里不做过多解释，其中发现在启动的时候比较慢，加上了对方法执行时间的打印，最终定位到了这行代码：

#face_encodings对图片对象a_images进行编码并返回数组0位置编码结果encode=face_recognition.face_encodings(img)[0]

原因应该与图片的分辨率、大小有关。另外还发现在调用摄像头进行检测的时候，视频画面存在严重的卡顿，因为我外接的是一个工业级高清摄像头在电脑上，应该也是因为分辨率与图片的大小设置的太大导致的。

这里的0.38是相似度，值越小代表越相似，一般设置在0.4左右即可，如果是同一个摄像头采集的人脸然后进行识别相似度在0.3左右。

三、对比

1.安装包依赖

先下载好opencv-python、face-recognition，这里因为使用的是照片对比的方式，特意使用tkinter画了一个简单的GUI方便操作。

在python 3以上版本tkinter是环境自带的，所以这里不需要安装

2.代码示例

import os

import cv2
import numpy as np
import face_recognition
import tkinter as tk  
import tkinter.filedialog
from PIL import Image,ImageTk 
 
classNames=[]
img_path=Picture
img_recognition_path=Recognition
existsEncodeingList=[]
#对人脸集合进行编码进行处理
def findEncodeings(images):
    for img in images:
        #灰度处理
        img=cv2.cvtColor(src=img,code=cv2.COLOR_BGR2RGB)
        #face_encodings对图片对象a_images进行编码并返回数组0位置编码结果
        encode=face_recognition.face_encodings(img)[0]
        existsEncodeingList.append(encode)
 
#获取当前存储的人脸编码集合
def findExistsEncodeingList(img_path):
    images=[]
    #列出已经上传的所有图片
    imgList=os.listdir(img_path)
    #处理存储的图片得到其人脸编码
    for pic in imgList:
        img=cv2.imread({}/{}.format(img_path,pic))
        images.append(img)
        classNames.append(os.path.splitext(pic)[0])
    findEncodeings(images)
 
#选择并对比图片
def choosepic():
    choosepath = tkinter.filedialog.askopenfilename()
    path.set(choosepath)
    img_open = Image.open(entry.get()).resize((530,750))
    img = ImageTk.PhotoImage(img_open)
    lableShowImage.config(image=img)
    lableShowImage.image = img
    lableShowImage.place(x=30, y=70, width=530, height=750)
    faceRecognition(choosepath)
 
def faceRecognition(choosepath):
    frame=cv2.imread(choosepath)
    frameRGB=cv2.cvtColor(src=frame,code=cv2.COLOR_BGR2RGB)
    #对摄像头读取的检测人脸
    facesLocate=face_recognition.face_locations(frameRGB)
    #进行特征编码
    faceEncoded=face_recognition.face_encodings(frameRGB,facesLocate)
	#遍历检测的人脸和库中读取的图片进行对比，计算其相似度
    name=unknow
    for (top,right, bottom,left),face_encoding in zip(facesLocate,faceEncoded):
        #进行匹配
        matchs=face_recognition.compare_faces(existsEncodeingList,face_encoding)
        #计算相似度
        distance=face_recognition.face_distance(existsEncodeingList,face_encoding)
        lab=unknow
        for index, item in enumerate(distance):
           if item<0.5:
                if matchs[index]:
                    #得到匹配到的图片名称与相似度值
                    lab=name:{}; Similarity:{}.format(classNames[index],item)
                    name=classNames[index]
                    break
        #初始化面部捕捉框显示绿色
        color1 =(0,255,0)
        if name ==unknow:
            #未能识别的时候显示蓝色
            color1 =(255,0,0)
        #画面部捕捉框
        cv2.rectangle(img=frame,pt1=(left,top),pt2=(right,bottom),color=color1,thickness=3)
        #在捕捉框上添加匹配到的图片信息
        cv2.putText(frame, lab, (left,top-8),cv2.FONT_HERSHEY_SIMPLEX, 0.7, color1, 2)
        cv2.imwrite({}/{}.png.format(img_recognition_path,name),frame)
    img_Recognition = Image.open({}/{}.png.format(img_recognition_path,name)).resize((530,750))
    img = ImageTk.PhotoImage(img_Recognition)
    lableShowImage2.config(image=img)
    lableShowImage2.image = img
    lableShowImage2.place(x=630, y=70, width=530, height=750)
 
if __name__ == __main__:
    findExistsEncodeingList(img_path)
    #生成tk界面 app即主窗口
    app = tk.Tk()  
    #修改窗口titile
    app.title("show pictue")  
    #设置主窗口的大小和位置
    app.geometry("1200x900+200+50")
    #Entry widget which allows displaying simple text.
    path = tk.StringVar()
    entry = tk.Entry(app, state=readonly, text=path,width = 100)
    entry.pack()
    #使用Label显示图片
    lableShowImage = tk.Label(app)
    lableShowImage.pack()
     #使用Label2显示处理后的图片
    lableShowImage2 = tk.Label(app)
    lableShowImage2.pack()
    #选择图片的按钮
    buttonSelImage = tk.Button(app, text=choose picture, command=choosepic)
    buttonSelImage.pack()
    app.mainloop()

3.说明

首先我将需要被识别的人脸的照片预设到项目目录的Picture文件夹下，然后创建一个Recognition目录存放识别过的图片，这样方便在一个界面上展示对比结果照片。

其实对比结果也可以不用存，直接将处理后的图片缓存直接展示在界面上，这里需要改一下此处的代码，将上述代码注释掉，然后换成下面的那行，通过数组直接转成图片

但是效果会存在色彩的失真，效果如下：

也尝试了PIL的九种不同图片模式: 1，L，P，RGB，RGBA，CMYK，YCbCr，I，F，最终效果也没达到，大概与我resize((530,750))这个有关，也没继续纠结，有兴趣的同学可以尝试一下。

这里简单提下PIL的九种不同图片模式：

4.实现效果

可以实现简单的人脸对比，Similarity代表相似度值，值越小代表人脸与预设的图片越相似。