史上最简单的人脸识别项目登上GitHub趋势榜

来源 | GitHub Trending

整理 | Freesia

译者 | TommyZihao

出品 | AI科技大本营（ID: rgznai100）

【导读】近日，一个名为 face_recognition 的人脸识别项目登上了 GitHub Trending 趋势榜，赚足了眼球。自开源至截稿，此项目在 Github 上的 Star 数已达 26500，Fork 数也达到了 7117。本文主要介绍了该项目的使用说明和使用方法，便于国内的开发者们进行研究学习。

face_recognition 宣称是史上最强大，最简单的人脸识别项目。据悉，该项目由软件工程开发师和咨询师 Adam Geitgey 开发，其强大之处在于不仅基于业内领先的 C++ 开源库 dlib 中的深度学习模型，采用的人脸数据集也是由美国麻省大学安姆斯特分校制作的 Labeled Faces in the Wild，它含有从网络收集的 13,000 多张面部图像，准确率高达 99.38%。此外，项目还配备了完整的开发文档和应用案例，特别是兼容树莓派系统。简单之处在于操作者可以直接使用 Python和命令行工具提取、识别、操作人脸。

目前，该项目的说明已有中文翻译版，本文已获得译者授权（GitHub ID：TommyZihao），引用译文对本项目进行简单介绍。

照例先奉上 GitHub 项目链接：

https://github.com/ageitgey/face_recognitio

特性

1. 找到并定位图片中的所有人脸：

import face_recognition


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


face_locations = face_recognition.face_locations(image)

2.识别人脸关键点（包括眼睛、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)

本人脸识别项目除了在某些关键领域有重要作用外，还有一个可能会引起 “玩心” 的 digital make-up 自动化妆功能（类似美图秀秀）。

3.识别图片中的人是谁

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]


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

4.配合其它的Python库（比如opencv），该项目还可实现实时人脸检测：详细案例见：

https://github.com/ageitgey/face_recognition/blob/master/examples/facerec_from_webcam_faster.py

安装

环境配置：

• Python 3.3+ or Python 2.7macOS or LinuxWindows（官方并不支持，但一些大神们摸索出了在Windows上运行的方法）

不同操作系统的安装方法：

1. 在 Mac 或者 Linux上安装本项目：

方法一：

首先安装dlib和相关Python依赖：

https://gist.github.com/ageitgey/629d75c1baac34dfa5ca2a1928a7aeaf

然后通过 pip3 或者是 Python 2 的 pip2 用以下代码安装

pip3 install face_recognition

若未能安装成功，可以用Ubuntu虚拟机安装，参见这一教程：

https://medium.com/@ageitgey/try-deep-learning-in-python-now-with-a-fully-pre-configured-vm-1d97d4c3e9b

（需要电脑中安装VMWare Player 或者 VirtualBox）

方法二：

修改你的 pip 镜像源为清华镜像，然后使用 pip install face_recognition,可以自动帮你安装各种依赖，包括dlib。只是在安装dlib的时候可能会出问题，因为dlib需要编译，出现的问题一般是gcc或者g++版本的问题，所以在pip install face_recognition之前，可以通过在命令行键入

export CC=/usr/local/bin/gcc


export CXX=/usr/local/bin/g++

来指定你gcc和g++对应的位置，（这两句话会临时修改当前终端的环境变量/usr/local/bin/gcc对应你自己gcc或者g++所在目录）。

2. 在树莓派上安装：

树莓派安装指南：

https://gist.github.com/ageitgey/1ac8dbe8572f3f533df6269dab35df65

3. 在Windows上安装：虽然本项目官方并不支持Windows，但一些大神们摸索出了在Windows上运行本项目的方法：@masoudr写的如何在Win10系统上安装 dlib库和 face_recognition项目的教程：

https://github.com/ageitgey/face_recognition/issues/175#issue-257710508

使用Ubuntu虚拟机镜像文件安装配置虚拟机，本项目已经包含在这个镜像中

https://medium.com/@ageitgey/try-deep-learning-in-python-now-with-a-fully-pre-configured-vm-1d97d4c3e9b

使用方法

1.使用命令行工具

本项目安装完毕后，有两种命令行工具可供使用：

• face_recognition - 在单张图片或一个图片文件夹中识别人脸身份。face_detection - 在单张图片或一个图片文件夹中定位人脸位置。

face_recognition 命令行工具：

face_recognition命令行工具可以在单张图片或一个图片文件夹中识别人脸身份。首先，需要一个你已经知道名字的人脸图片文件夹，一个人一张图，图片的文件名即为对应的人的名字，然后，需要第二个图片文件夹，文件夹里面是你希望识别的图片：

然后，在命令行中切换到这两个文件夹所在路径，使用 face_recognition 命令行，传入这两个图片文件夹，然后就会输出未知图片中人的名字：

$ face_recognition ./pictures_of_people_i_know/ ./unknown_pictures/


/unknown_pictures/unknown.jpg,Barack Obama


/face_recognition_test/unknown_pictures/unknown.jpg,unknown_person

输出结果的每一行对应着图片中的一张脸，图片名字和对应人脸识别结果用逗号分开。

如果结果输出了unknown_person，那么代表这张脸没有对应上已知人脸图片文件夹中的任何一个人。

face_detection 命令行工具

face_detection命令行工具可以在单张图片或一个图片文件夹中定位人脸位置（输出像素点坐标）。在命令行中使用face_detection，传入一个图片文件夹或单张图片文件来进行人脸位置检测：

$ face_detection ./folder_with_pictures/


examples/image1.jpg,65,215,169,112


examples/image2.jpg,62,394,211,244


examples/image2.jpg,95,941,244,792

输出结果的每一行都对应图片中的一张脸，输出坐标代表着这张脸的上、右、下、左像素点坐标。

调整人脸识别的容错率和敏感度

如果一张脸识别出不止一个结果，那么这意味着他和其他人长的太像了（此外，本项目对于小孩和亚洲人的人脸识别准确率有待提升）。你可以把容错率调低一些，使识别结果更加严格。这个功能可通过传入参数 --tolerance 来实现，默认的容错率是0.6，容错率越低，识别越严格准确。

$ face_recognition --tolerance 0.54 ./pictures_of_people_i_know/ ./unknown_pictures/


/unknown_pictures/unknown.jpg,Barack Obama


/face_recognition_test/unknown_pictures/unknown.jpg,unknown_person

人脸匹配的具体数值可以通过传入参数 --show-distance true 来查看

$ face_recognition --show-distance true ./pictures_of_people_i_know/ ./unknown_pictures/


/unknown_pictures/unknown.jpg,Barack Obama,0.378542298956785


/face_recognition_test/unknown_pictures/unknown.jpg,unknown_person,None

对识别速度不满意怎么办？

如果你的CPU是多核的，你可以通过并行运算加速人脸识别。例如，如果你的CPU有四个核心，那么你可以通过并行运算提升大概四倍的运算速度。

如果你使用Python3.4或更新的版本，可以传入 --cpus <number_of_cpu_cores_to_use> 参数：

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

（你可以传入 --cpus -1参数来调用cpu的所有核心。）此外，子豪兄Tommy 表示树莓派3B有4个CPU核心，传入多核参数可以显著提升图片识别的速度。

更多案例

如果你并不在乎图片的文件名，只想知道文件夹中的图片里有谁，可以用这个管道命令：

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


Barack Obama


unknown_person

2.使用Python

在 Python 中导入 face_recognition模块，调用丰富的API接口，用几行代码就可以轻松玩转各种人脸识别功能！API 接口文档:

https://face-recognition.readthedocs.io

如何定位人脸位置或者识别人脸身份？

在 Python 中可以分别通过以下代码来实现在图片中定位人脸的位置

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

参考案例：

https://github.com/ageitgey/face_recognition/blob/master/examples/find_faces_in_picture.py

在图片中识别人脸身份

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

参考案例：

https://github.com/ageitgey/face_recognition/blob/master/examples/recognize_faces_in_pictures.py

对人脸识别有精准要求怎么办？

可以使用深度学习模型以达到更加精准的人脸定位，但要注意：这种方法需要GPU加速（通过英伟达显卡的CUDA库驱动），在编译安装dlib的时候也需要开启CUDA支持。

import face_recognition


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


face_locations = face_recognition.face_locations(image, model="cnn")


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

参考案例：

https://github.com/ageitgey/face_recognition/blob/master/examples/find_faces_in_picture_cnn.py

如果有大量图片需要识别，同时又有GPU，那么你可以参考这个例子：

https://github.com/ageitgey/face_recognition/blob/master/examples/find_faces_in_batches.py

如何识别单张图片中人脸的关键点？

import face_recognition


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


face_landmarks_list = face_recognition.face_landmarks(image)


# face_landmarks_list is now an array with the locations of each facial feature in each face.


# face_landmarks_list[0]['left_eye'] would be the location and outline of the first person's left eye

参考案例：

https://github.com/ageitgey/face_recognition/blob/master/examples/find_facial_features_in_picture.py

识别奥巴马和拜登的人脸关键点

更多案例：

https://github.com/ageitgey/face_recognition/tree/master/examples

人脸定位

案例：定位拜登的脸

https://github.com/ageitgey/face_recognition/blob/master/examples/find_faces_in_picture_cnn.py

案例：使用卷积神经网络深度学习模型定位拜登的脸

https://github.com/ageitgey/face_recognition/blob/master/examples/find_faces_in_picture_cnn.py

案例：使用卷积神经网络深度学习模型批量识别图片中的人脸

https://github.com/ageitgey/face_recognition/blob/master/examples/find_faces_in_batches.py

案例：把来自网络摄像头视频里的人脸高斯模糊（需要安装OpenCV）

https://github.com/ageitgey/face_recognition/blob/master/examples/blur_faces_on_webcam.py

人脸关键点识别

案例：提取奥巴马和拜登的面部关键点

https://github.com/ageitgey/face_recognition/blob/master/examples/find_facial_features_in_picture.py

案例：给美国副总统拜登涂美妆

https://github.com/ageitgey/face_recognition/blob/master/examples/digital_makeup.py

人脸识别

案例：是奥巴马还是拜登？

https://github.com/ageitgey/face_recognition/blob/master/examples/recognize_faces_in_pictures.py

案例：人脸识别之后在原图上画框框并标注姓名

https://github.com/ageitgey/face_recognition/blob/master/examples/identify_and_draw_boxes_on_faces.py

案例：在不同精度上比较两个人脸是否属于一个人

https://github.com/ageitgey/face_recognition/blob/master/examples/face_distance.py

案例：从摄像头获取视频进行人脸识别-较慢版（需要安装OpenCV）

https://github.com/ageitgey/face_recognition/blob/master/examples/facerec_from_webcam.py

• 案例：从摄像头获取视频进行人脸识别-较快版（需要安装OpenCV）

https://github.com/ageitgey/face_recognition/blob/master/examples/facerec_from_webcam_faster.py

• 案例：从视频文件中识别人脸并把识别结果输出为新的视频文件（需要安装OpenCV）

https://github.com/ageitgey/face_recognition/blob/master/examples/facerec_from_video_file.py

• 案例：通过树莓派摄像头进行人脸个数统计及人脸身份识别

https://github.com/ageitgey/face_recognition/blob/master/examples/facerec_on_raspberry_pi.py

• 案例：通过浏览器HTTP访问网络服务器进行人脸识别（需要安装Flask后端开发框架）

https://github.com/ageitgey/face_recognition/blob/master/examples/web_service_example.py

• 案例：基于K最近邻KNN分类算法进行人脸识别

https://github.com/ageitgey/face_recognition/blob/master/examples/face_recognition_knn.py

关于 face_recognition的文章和教程

• 本项目作者写的一篇文章 Modern Face Recognition with Deep Learning:

https://medium.com/@ageitgey/machine-learning-is-fun-part-4-modern-face-recognition-with-deep-learning-c3cffc121d78

• 主要内容：基本算法和原理
• Face recognition with OpenCV, Python, and deep learning by Adrian Rosebrock:

https://www.pyimagesearch.com/2018/06/18/face-recognition-with-opencv-python-and-deep-learning/

• 主要内容：如何实际使用本项目
• Raspberry Pi Face Recognition by Adrian Rosebrock

https://www.pyimagesearch.com/2018/06/25/raspberry-pi-face-recognition/

• 主要内容：如何在树莓派上使用本项目
• Face clustering with Python by Adrian Rosebrock

https://www.pyimagesearch.com/2018/07/09/face-clustering-with-python/

• 主要内容：使用非监督学习算法实现把图片中的人脸高斯模糊

人脸识别的原理

如果你想更深入了解人脸识别这个黑箱的原理请读这篇文章：

https://medium.com/@ageitgey/machine-learning-is-fun-part-4-modern-face-recognition-with-deep-learning-c3cffc121d78

警告说明

本项目的人脸识别模型是基于成年人的，在孩子身上效果可能一般。如果图片中有孩子的话，建议把临界值设为0.6.不同人种的识别结果可能不同， 看wiki百科页面查看更多细节。

把本项目部署在云服务器上 (Heroku, AWS等)

本项目是基于C++库dlib的，所以把本项目部署在Heroku或者AWS的云端服务器上是很明智的。

为了简化这个过程，有一个Dockerfile案例，教你怎么把face_recognition开发的app封装成Docker 容器文件，你可以把它部署在所以支持Docker镜像文件的云服务上。

出了幺蛾子？

如果出了问题，请在Github提交Issue之前查看 常见错误 。