face_recognition ：一个 “开箱即用” 的人脸识别工具

face_recognition 是一个基于 Python 的开源人脸识别库，它封装了底层的计算机视觉算法（依赖 dlib 库），提供了简单易用的 API，让开发者可以快速实现人脸检测、识别、特征提取等功能。其核心优势是准确率高（基于深度学习模型）、接口简洁（几行代码即可实现核心功能），非常适合初学者和快速开发场景。

一、核心功能

face_recognition 主要提供四大核心功能：

1. 人脸检测：定位图片中人脸的位置（返回边界框坐标）。
2. 人脸特征提取：将人脸转换为 128 维的特征向量（“人脸编码”），用于后续比较。
3. 人脸识别：通过比较两个人脸的特征向量，判断是否为同一个人。
4. 人脸关键点检测：定位人脸的关键部位（如眼睛、鼻子、嘴巴等）的坐标。

二、安装步骤

face_recognition 依赖 dlib 库（一个强大的机器学习库），因此安装时需要先确保 dlib 能正常安装。

1. 安装依赖

• Windows 系统：

  • 先安装 CMake（用于编译 dlib），并添加到系统环境变量。
  • 安装 Visual Studio（需勾选 “C++ 桌面开发” 组件，提供编译工具）。

• macOS 系统：

  • 通过 Homebrew 安装依赖：brew install cmake dlib。

• Linux 系统：

  • 通过 apt 安装依赖：sudo apt-get install cmake libboost-all-dev。

2. 安装 face_recognition

依赖安装完成后，通过 pip 安装：

bash

pip install face_recognition

三、核心 API 详解

下面通过代码示例讲解核心功能的使用。

1. 人脸检测（定位人脸位置）

使用 face_locations() 函数，返回图片中所有人脸的边界框坐标（top, right, bottom, left，即上、右、下、左的像素坐标）。

示例代码：

python

运行

import face_recognition
from PIL import Image, ImageDraw# 加载图片（支持 jpg、png 等格式）
image = face_recognition.load_image_file("people.jpg")# 检测人脸位置（默认使用 HOG 模型，适合 CPU；可选 "cnn" 模型，更准确但速度慢）
face_locations = face_recognition.face_locations(image, model="hog")print(f"检测到 {len(face_locations)} 张人脸")# 用 PIL 绘制边界框
pil_image = Image.fromarray(image)
draw = ImageDraw.Draw(pil_image)for (top, right, bottom, left) in face_locations:# 绘制矩形框（红色，线宽 2）draw.rectangle(((left, top), (right, bottom)), outline=(255, 0, 0), width=2)# 保存结果
pil_image.save("detected_people.jpg")

说明：

• model="hog"：基于方向梯度直方图的模型，速度快，适合 CPU。
• model="cnn"：基于卷积神经网络的模型，准确率更高，适合 GPU 加速（需 dlib 支持 CUDA）。

2. 人脸特征提取（生成 “人脸编码”）

使用 face_encodings() 函数，将人脸转换为 128 维的特征向量（“编码”）。同一个人的不同照片，编码会非常相似；不同人的编码差异较大。

示例代码：

python

运行

import face_recognition# 加载已知人脸图片（如“张三”的照片）
known_image = face_recognition.load_image_file("zhangsan.jpg")
# 提取特征编码（返回列表，取第一个元素）
zhangsan_encoding = face_recognition.face_encodings(known_image)[0]print("张三的人脸编码（前 10 维）：", zhangsan_encoding[:10])

说明：

• 128 维向量的每个维度代表人脸的一个特征（如眼睛距离、鼻梁角度等），通过向量距离（如欧氏距离）可衡量人脸相似度。

3. 人脸识别（比较人脸是否为同一人）

通过 compare_faces() 或 face_distance() 比较编码：

• compare_faces(known_encodings, unknown_encoding, tolerance=0.6)：返回布尔值列表，True 表示匹配（默认阈值 0.6，值越小越严格）。
• face_distance(known_encodings, unknown_encoding)：返回未知编码与每个已知编码的欧氏距离，距离越小越相似。

示例代码：

python

运行

import face_recognition# 1. 准备已知人脸编码
zhangsan_image = face_recognition.load_image_file("zhangsan.jpg")
zhangsan_encoding = face_recognition.face_encodings(zhangsan_image)[0]lisi_image = face_recognition.load_image_file("lisi.jpg")
lisi_encoding = face_recognition.face_encodings(lisi_image)[0]known_encodings = [zhangsan_encoding, lisi_encoding]
known_names = ["张三", "李四"]# 2. 加载待识别图片
unknown_image = face_recognition.load_image_file("unknown.jpg")
unknown_encodings = face_recognition.face_encodings(unknown_image)# 3. 逐个比对
for unknown_encoding in unknown_encodings:# 比较与已知编码的匹配度matches = face_recognition.compare_faces(known_encodings, unknown_encoding)# 计算距离（越小越相似）distances = face_recognition.face_distance(known_encodings, unknown_encoding)# 找到最匹配的人脸best_match_index = distances.argmin()if matches[best_match_index]:name = known_names[best_match_index]print(f"识别结果：{name}（距离：{distances[best_match_index]:.2f}）")else:print("未匹配到已知人脸")

4. 人脸关键点检测

使用 face_landmarks() 函数，返回人脸关键部位（如眼睛、眉毛、鼻子等）的坐标列表。

示例代码：

python

运行

import face_recognition
from PIL import Image, ImageDrawimage = face_recognition.load_image_file("person.jpg")
# 获取关键点（眼睛、鼻子、嘴巴等）
face_landmarks_list = face_recognition.face_landmarks(image)pil_image = Image.fromarray(image)
draw = ImageDraw.Draw(pil_image)for face_landmarks in face_landmarks_list:# 绘制所有关键点（如眼睛、眉毛）for feature_name, points in face_landmarks.items():# 每个特征用不同颜色绘制color = (0, 255, 0) if feature_name in ["left_eye", "right_eye"] else (0, 0, 255)draw.point(points, fill=color)pil_image.save("landmarks.jpg")

说明：返回的关键点包含 12 个部分：chin（下巴）、left_eyebrow（左眉）、right_eyebrow（右眉）、nose_bridge（鼻梁）、nose_tip（鼻尖）、left_eye（左眼）、right_eye（右眼）、top_lip（上唇）、bottom_lip（下唇）等。

四、性能优化与注意事项

1. 速度优化：

   • 优先使用 model="hog" 进行快速检测，cnn 模型适合高精度场景（需 GPU 支持）。
   • 处理视频或批量图片时，可缩小图片尺寸（如缩放到 1/4 大小）再检测，减少计算量。

2. 准确率影响因素：

   • 图片质量：模糊、光照过强 / 过暗、侧脸等可能降低准确率。
   • 阈值调整：tolerance=0.6 是默认值，严格场景可降低（如 0.5），宽松场景可提高（如 0.7）。

3. 依赖问题：

   • 若 dlib 安装失败，可尝试安装预编译版本（如 Windows 下 pip install dlib-19.22.99-cp39-cp39-win_amd64.whl，需匹配 Python 版本）。

五、应用场景

• 身份验证（如人脸解锁、打卡系统）。
• 照片分类（自动按人脸整理相册）。
• 监控系统（实时识别可疑人员）。
• 社交应用（自动标记好友）。

总结

face_recognition 是一个 “开箱即用” 的人脸识别工具，通过简单的 API 封装了复杂的深度学习逻辑，非常适合快速开发。但需注意其依赖安装和性能限制，在实时或大规模场景中可能需要结合 GPU 加速或更专业的框架（如 TensorFlow/PyTorch）优化。