本教程使用 Python 3.6 编写，但使用的库与 3.3 及更高版本兼容。

人脸识别软件很棒。我们能够编写能够准确地识别出某人的眼睛和鼻子在图像中的位置的事实仍然让我感到震惊，而且存在用于此类事情的库这一事实也很棒。这些库有助于降低希望编写自己的人脸识别系统的初学者的入门门槛，并允许人们做一些非常酷的事情。

ageitgey/face_recognition就是这样一个库，在撰写本文时，它的功能远远超过7,000了 github上的星星。

配置

为了开始使用该face_recognition库，您首先必须安装它，这可以通过一个简单的pip安装命令来完成，如下所示：

pip3 install face_recognition

一个简单的例子

让我们拍摄一张包含许多人的库存图像。如果我们想自动找到图像中的所有人脸，我们可以用 4 行代码轻松完成。此代码将首先接收一张图像，然后使用face_recognition.face_locations(image). 之后我们将简单地打印出找到的面数。

import face_recognition

image = face_recognition.load_image_file("My_Image.png")
face_locations = face_recognition.face_locations(image)
print("I found {} face(s) in this photograph.".format(len(face_locations)))

如果我要针对上面的图像运行它，我会得到以下输出：

 $ python3.6 simple.py
I found 5 face(s) in this photograph.

这是人脸检测的一个示例，您可以将其与安全摄像头之类的设备同步，并使用此检测算法执行实时分析，以查看是否有人刚刚走进您的房子。

识别人脸

一个更复杂的例子是识别找到的每个人脸的确切坐标，并将这些坐标转换为单独的图像。

假设我们想将上面的示例更进一步，并将我们检测到的面孔存储在我们的新安全软件中。这可以使用face_recognition库来完成 ：

from PIL import Image
import face_recognition

## Load the jpg file into a numpy array
image = face_recognition.load_image_file("stock_people.jpg")

## Find all the faces in the image using the default HOG-based model.
## This method is fairly accurate, but not as accurate as the CNN model and not GPU accelerated.
## See also: find_faces_in_picture_cnn.py
face_locations = face_recognition.face_locations(image)

print("I found {} face(s) in this photograph.".format(len(face_locations)))

for face_location in face_locations:

    ## Print the location of each face in this image
    top, right, bottom, left = face_location
    print("A face is located at pixel location Top: {}, Left: {}, Bottom: {}, Right: {}".format(top, left, bottom, right))

    ## You can access the actual face itself like this:
    face_image = image[top:bottom, left:right]
    pil_image = Image.fromarray(face_image)
    pil_image.show()

运行它会给出以下输出，它会打开 5 个临时图像文件。

 $ python3.6 simple.py
I found 5 face(s) in this photograph.
A face is located at pixel location Top: 72, Left: 394, Bottom: 124, Right: 446
A face is located at pixel location Top: 32, Left: 467, Bottom: 94, Right: 529
A face is located at pixel location Top: 72, Left: 285, Bottom: 124, Right: 337
A face is located at pixel location Top: 72, Left: 170, Bottom: 124, Right: 222
A face is located at pixel location Top: 39, Left: 87, Bottom: 101, Right: 149

很酷吧？同样，您可能会在一系列视频流中运行它并捕获该视频中出现的所有面孔。

如果您对我们将在下面介绍的人脸识别等概念不感兴趣，您可能会开始做一些很酷的事情，例如情绪分析，并尝试判断视频中人们的快乐或悲伤程度。

如果您想获得有关景点在博物馆或游乐园的表现如何的实时反馈，这可能会很有用！

检查图像中是否存在人

识别图像包含多张面孔非常酷，但我们实际上可以更进一步，确定图像中存在谁。例如，假设您有一组人的照片，您可以使用face_recognition库确定您的朋友是否Alan存在于该照片中。

但是，为了使它起作用，您需要至少一张您要识别的人的参考图像。

import face_recognition

## Load in our reference image of Joe Biden
known_image = face_recognition.load_image_file("biden.jpg")
## Load in our image of a group of people
unknown_image = face_recognition.load_image_file("unknown.jpg")

## Create a biden encoding
biden_encoding = face_recognition.face_encodings(known_image)[0]
## create an encoding based off our group photo
unknown_encoding = face_recognition.face_encodings(unknown_image)[0]

## Compare the encodings and try to determine if Biden exists within a photo
results = face_recognition.compare_faces([biden_encoding], unknown_encoding)
## Print the results
print(results)

大规模的人脸识别系统倾向于建立人及其人脸的大型数据库。随着越来越多的面孔被添加到数据库中，检查一张照片或一系列照片中存在谁变得更加昂贵。

这意味着我们无法为世界上的每个人拍照，并期望我们的软件能够实时告诉我们任何给定照片中存在谁。

结论

这是对面部识别软件艺术的相当简单的介绍，希望您发现它既有用又有趣。在本教程中，我们设法涵盖了人脸检测和人脸识别。