文章目录
一 安装部分
1.1 face_recognition简介
face_recognition主要是对dlib机器学习库的二次开发，主要功能包括人脸检测、人脸关键点检测、人脸识别。
1.2 环境参数
Python3.4+
dlib
face_recognition
1.3 下载face_recognition源代码
下载地址：https://github.com/ageitgey/face_recognition
二 简单的命令行界面使用
安装face_recogniton时，将获得一个命令行程序，称为face_recogniton，可进行人脸识别。
2.1 人脸识别
首先准备./pictures_of_people_i_know/和./unknown_pictures/文件夹，分别保存已知人员和未知人员的图片，见下图：
进入文件夹所在目录，运行：
# face_recognition ./pictures_of_people_i_know/ ./unknown_pictures/
调整检测阈值（默认0.6），运行：
# face_recognition --tolerance 0.54 ./pictures_of_people_i_know/ ./unknown_pictures/
显示两面部匹配的距离，运行：
# face_recognition --show-distance true ./pictures_of_people_i_know/ ./unknown_pictures/
三 人脸检测
3.1 HOG+SVM模型
3.1.1 代码
代码：examples/find_faces_in_picture.py
3.1.2 测试结果
（左边原图，右边人脸检测图）
3.2 cnn模型
官网上描述cnn模型比HOG+SVM模型的检测效果要好，但是速度较慢。
3.2.1 代码
代码：examples/find_faces_in_picture_cnn.py
3.2.2 测试结果
（左边原图，右边人脸检测图）
3.3 视频中的人脸检测
3.3.1 代码
代码：examples/blur_faces_on_webcam.py
3.3.2 测试结果
(略)
四 人脸关键点检测
4.1 人脸关键点检测（级联回归算法）
4.1.1 代码
代码：examples/find_facial_feature_in_picture.py
4.1.2 测试结果
4.2 人脸关键点检测的化妆应用
4.2.1 代码
代码：examples/digital_makeup.py
4.2.2 测试结果
五 人脸识别
5.1 人脸识别（残差网络模型）
5.1.1 代码
代码：examples/recognize_faces_in_picture.py
5.1.2 检测结果
5.2 视频中的人脸识别
5.2.1 代码
代码：examples/facerec_from_webcam_faster.py
5.3 人脸识别（残差网络模型+knn近邻分类器）
当存在大量已知人员（即同一个人存有多张图片）时可使用该案例。人脸识别的128维特征提取仍是用残差网络模型，只不过预测时，knn算法会从训练集中找出k个最相似的面孔，进行多数投票进行人脸预测。
5.3.1 算法说明
算法步骤：
（1） 生成数据集及标签：
（2） 训练，生成knn分类器
（3） 测试，判断匹配脸最接近的距离是否小于阈值，若大于则预测人脸为unknown，若小于则进行knn的人脸识别预测
5.3.2 代码
代码：examples/face_recognition_knn.py
5.3.3 检测结果
六 代码运行方式
进入代码所在目录，运行：
# python3 XXX.py
