人脸检测face_recognition的API总结及应用

face_recognition是世界上最简单的人脸识别库了，你可以通过Python引用或者命令行的形式使用它，来管理和识别人脸。该软件包使用dlib中最先进的人脸识别深度学习算法，使得识别准确率在Labled Faces in the world数据集下达到了99.38%准确率。

在安装face_recognition是需要先安装dlib库，dlib库是一个用来人脸关键点检测的 python 库，但因为其是 C++ 编写还需要一些依赖，比较复杂，这里推荐使用conda安装会自动下载相关的依赖

face_recognition库安装

# 安装dlib
conda install -c https://conda.anaconda.org/conda-forge dlib
# -i https://pypi.tuna.tsinghua.edu.cn/simple 国内下载比较慢，清华镜像
pip install face_recognition -i https://pypi.tuna.tsinghua.edu.cn/simple

常用API介绍

load_image_file(file, mode=‘RGB’)

加载一个图像文件到一个numpy array类型的对象上。
参数：

file：待加载的图像文件名字
mode：转换图像的格式。只支持“RGB”(8位RGB, 3通道)和“L”(黑白)
return：一个包含图像数据的numpy array类型的对象

face_landmarks(face_image,face_locations=None,model=“large”)

给定一个图像，提取图像中每个人脸的脸部特征位置

参数：

face_image：输入的人脸图片
face_locations=None：可选参数，默认值为None，代表默认解码图片中的每一个人脸。若输入face_locations()[i]可指定人脸进行解码
model=“large”：输出的特征模型，默认为“large”，可选“small”。当选择为"small"时，只提取左眼、右眼、鼻尖这三种脸部特征。

face_encodings(face_image, known_face_locations=None, num_jitters=1)

给定一个图像，返回图像中每个人脸的128脸部编码（特征向量）。
参数：

face_image：输入的人脸图像
known_face_locations：可选参数，如果你知道每个人脸所在的边界框
num_jitters=1：在计算编码时要重新采样的次数。越高越准确，但速度越慢（100就会慢100倍）
return：一个128维的脸部编码列表

batch_face_locations(images, number_of_times_to_upsample=1, batch_size=128)

给定一个图像，返回图像中每个人脸的位置
参数：

img：一个image（numpy array类型）
number_of_times_to_upsample：从images的样本中查找多少次人脸，该参数值越高的话越能发现更小的人脸。
model：使用哪种人脸检测模型。“hog” 准确率不高，但是在CPUs上运行更快，“cnn” 更准确更深度（且GPU/CUDA加速，如果有GPU支持的话），默认是“hog”
return：一个元组列表，列表中的每个元组包含人脸的位置(top, right, bottom, left)

compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6)

比较脸部编码列表和候选编码，看看它们是否匹配。
参数：

known_face_encodings：已知的人脸编码列表
face_encoding_to_check：待进行对比的单张人脸编码数据
tolerance：两张脸之间有多少距离才算匹配。该值越小对比越严格，0.6是典型的最佳值。
return：一个 True或者False值的列表，该表指示了known_face_encodings列表的每个成员的匹配结果

face_distance(face_encodings, face_to_compare)

给定一组面部编码，将它们与已知的面部编码进行比较，得到欧氏距离。对于每一个比较的脸，欧氏距离代表了这些脸有多相似。
参数：

faces：要比较的人脸编码列表
face_to_compare：待进行对比的单张人脸编码数据
tolerance：两张脸之间有多少距离才算匹配。该值越小对比越严格，0.6是典型的最佳值
return：一个numpy ndarray，数组中的欧式距离与faces数组的顺序一一对应

face_recognition应用代码实践:

特征点

from PIL import Image, ImageDraw
import face_recognition
# Load the jpg file into a numpy array
image = face_recognition.load_image_file("./data/zjl.jpg")
# Find all facial features in all the faces in the image
ace_landmarks_list = face_recognition.face_landmarks(image)

pil_image = Image.fromarray(image)

for face_landmarks in face_landmarks_list:
    draw = ImageDraw.Draw(pil_image, 'RGBA')
    for key in face_landmarks.keys():
        #左图
        draw.point(face_landmarks[feature_key],fill=(256, 256, 256))
        #右图
        #draw.line(face_landmarks[feature_key], width=5)
    pil_image.show()

代码运行效果：
在这里插入图片描述

参考文献：
https://github.com/ageitgey/face_recognition