基于Python的开源人脸识别库：离线识别率高达99.38%

仅用 Python 和命令行就可以实现人脸识别的库开源了。该库使用 dlib 顶尖的深度学习人脸识别技术构建，在户外脸部检测数据库基准（Labeled Faces in the Wild benchmark）上的准确率高达 99.38%。

该项目是要构建一款免费、开源、实时、离线的网络 app，支持组织者使用人脸识别技术或二维码识别所有受邀人员。

有了世界上最简单的人脸识别库，使用 Python 或命令行，即可识别和控制人脸。

该库使用 dlib 顶尖的深度学习人脸识别技术构建，在户外脸部检测数据库基准（Labeled Faces in the Wild benchmark）上的准确率高达 99.38%。

这也提供了一个简单的 face_recognition 命令行工具，你可以打开命令行中任意图像文件夹，进行人脸识别！

项目地址：https://github.com/ageitgey/face_recognition#face-recognition

特征

找出图片中的人脸

找出下面图片中所有的人脸：

import face_recognition

image = face_recognition.load_image_file("your_file.jpg")

face_locations = face_recognition.face_locations(image)

找到并且控制图像中的脸部特征

找到并勾勒出每个人的眼睛、鼻子、嘴和下巴。

import face_recognition

image = face_recognition.load_image_file("your_file.jpg")

face_landmarks_list = face_recognition.face_landmarks(image)

找出脸部特征对很多重要的事情都非常有用。但是你也可以用它来做一些「蠢事」，比如数字化妆（美图）：

识别图片中的人脸

识别每张图片中的人物。

import face_recognition

known_image = face_recognition.load_image_file("biden.jpg")

unknown_image = face_recognition.load_image_file("unknown.jpg")

biden_encoding = face_recognition.face_encodings(known_image)[0]

unknown_encoding = face_recognition.face_encodings(unknown_image)[0]

results = face_recognition.compare_faces([biden_encoding], unknown_encoding)

你甚至可以使用该库和其他的 Python 库执行实时人脸识别：

此处可查看代码示例：https://github.com/ageitgey/face_recognition/blob/master/examples/facerec_from_webcam_faster.py

安装

要求：

Python 3+ 或 Python 2.7

macOS 或 Linux (Windows 未测试)

还可在树莓派 2+上运行（按照具体指令来安装运行：https://gist.github.com/ageitgey/1ac8dbe8572f3f533df6269dab35df65）

预配置的 VM 图像同样可用。

使用pin3从pypi安装这一模块：

pip3 install face_recognition

重要提示：pip 尝试编译 dlib 依赖时很可能会遇到一些问题。如果遇到问题，前往该地址（https://gist.github.com/ageitgey/629d75c1baac34dfa5ca2a1928a7aeaf）从来源（而不是 pip）中安装 dlib，从而修复该错误。

手动安装 dlib 后，再次运行 pip3 install face_recognition，完成安装。

如果安装方面还有问题，你还可以试试预配置的 VM（https://medium.com/@ageitgey/try-deep-learning-in-python-now-with-a-fully-pre-configured-vm-1d97d4c3e9b）

用途

命令行界面

安装 face_recognition 时，你会得到一个名为 face_recognition 的简单命令行程序，该程序可用于识别照片或装满照片的文件夹中的人脸。

首先，你需要提供一个包含图片的文件夹，且每张图片中的每个人你都认识。每个人有一个图像文件，文件名就是图片中人物的名字：

然后，你需要再建一个文件夹，包含你想要识别的图像文件：

之后，你仅需要在已知人物文件夹和未知人物文件夹（或单个图像）中运行 face_recognition 命令，该程序会告诉你每个图像中的人物是谁：

$ face_recognition ./pictures_of_people_i_know/ ./unknown_pictures//unknown_pictures/unknown.jpg,Barack Obama

/face_recognition_test/unknown_pictures/unknown.jpg,unknown_person

每张人脸的输出结果只有一行，由文件名和找到的人物名组成，中间用逗号分隔。

 unknown_person 是未与已知人物文件夹中任何照片相匹配的人脸。

如果你只想知道每张照片中的人物姓名，不在意文件名，那么你可以采用以下做法：

$ face_recognition ./pictures_of_people_i_know/ ./unknown_pictures/ | cut -d ',' -f2

Barack Obama

unknown_person

如果你的电脑配有多核 CPU，你就可以同时执行多个人脸识别任务。例如，如果你的系统有 4 个 CPU 核，你可以同时使用这 4 个 CPU 核，那么同样时间内处理的图像数量是原来的四倍。

如果你使用 Python 3.4 或更新的版本，传入--cpus <number_of_cpu_cores_to_use>参数：

$ face_recognition -cpus 4 ./pictures_of_people_i_know/ ./unknown_pictures/

你还可以传入--cpus -1，来使用系统中所有的 CPU 核。

Python 模块

使用 face_recognition 模块，几行代码轻松控制人脸，so easy！

API 文件地址：https://face-recognition.readthedocs.io 

自动定位图像中人物的脸部特征

import face_recognition

image = face_recognition.load_image_file("my_picture.jpg")

face_locations = face_recognition.face_locations(image)

# face_locations is now an array listing the co-ordinates of each face!

图像人脸识别

import face_recognition

picture_of_me = face_recognition.load_image_file("me.jpg")

my_face_encoding = face_recognition.face_encodings(picture_of_me)[0]

# my_face_encoding now contains a universal 'encoding' of my facial features that can be compared to any other picture of a face!

unknown_picture = face_recognition.load_image_file("unknown.jpg")

unknown_face_encoding = face_recognition.face_encodings(unknown_picture)[0]

# Now we can see the two face encodings are of the same person with `compare_faces`!

results = face_recognition.compare_faces([my_face_encoding], unknown_face_encoding)if results[0] == True:

    print("It's a picture of me!")else:

    print("It's not a picture of me!")

注意事项

该人脸识别模型基于成年人照片训练，因此对儿童照片的识别效果不好。该模型默认比较阈值是 0.6，容易混淆儿童的面部。

将该模型配置到云主机（Heroku、AWS 等）

face_recognition 赖以存在的 dlib 是用 C++语言写的，因此将该内置该模型的 app 配置到 Heroku 或 AWS 等云主机提供商就很复杂。在该 repo 中有一个 Dockerfile 示例，展示如何在 Docker 容器中运行内置 face_recognition 模型的 app（详见该网址：https://www.docker.com/）。参考该示例，您能够将该模型配置到任何支持 Docker 图像的服务。

常见问题

问题：使用 face_recognition 或运行样本时，出现 Illegal instruction (core dumped)。

解决方案：dlib 需要在 SSE4 或 AVX 支持下编译，但是你的 CPU 太旧，无法支持编译。你需要根据此处（https://github.com/ageitgey/face_recognition/issues/11#issuecomment-287398611）所示修改代码，然后对 dilb 进行重新编译。

问题：运行摄像头样本时，出现 RuntimeError: Unsupported image type, must be 8bit gray or RGB image.

解决方案：你的摄像头可能并未在 OpenCV 上正确设置。点击此处（https://github.com/ageitgey/face_recognition/issues/21#issuecomment-287779524）了解更多。

问题：运行 pip2 install face_recognition 时出现 MemoryError。

解决方案：face_recognition_models 文件太大，不适合你可用的 pip 缓存内存。试一下 pip2 --no-cache-dir install face_recognition，解决该问题。

问题：AttributeError: 'module' object has no attribute 'face_recognition_model_v1'

解决方案：你安装的 dlib 版本过旧，需要 19.4 或者更新的版本。请升级 dlib 版本。

问题：TypeError: imread() got an unexpected keyword argument 'mode'

解决方案：你安装的 scipy 版本过旧，需要 0.17 或者更新的版本。请升级 scipy 版本。

文章来源：机器之心

《Python机器学习》是炼数成金《机器学习》课程的姐妹篇，将大幅度补充《机器学习》中没有涉及，但大家又非常感兴趣的内容，详细地讲解剪枝过程，以及之前没有涉及的回归树，讲述机器学习的主流算法在python下的实现等等！点击下方二维码报名课程