当前位置：首页 > article >正文

开源人脸识别项目 —— face_recognition

article 2025/9/14 14:50:13

GitHub地址：https://github.com/ageitgey/face_recognition

本项目是世界上最简洁的人脸识别库，你可以使用Python和命令行工具提取、识别、操作人脸。

本项目的人脸识别是基于业内领先的C++开源库 dlib中的深度学习模型，用Labeled Faces in the Wild人脸数据集进行测试，有高达99.38%的准确率。但对小孩和亚洲人脸的识别准确率尚待提升。

Labeled Faces in the Wild是美国麻省大学安姆斯特分校（University of Massachusetts Amherst)制作的人脸数据集，该数据集包含了从网络收集的13,000多张面部图像。

本项目提供了简易的face_recognition命令行工具，你可以用它处理整个文件夹里的图片。

特性

从图片里找到人脸

定位图片中的所有人脸：

image

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

识别人脸关键点

识别人脸关键点，包括眼睛、鼻子、嘴和下巴。

image

import face_recognition
image = face_recognition.load_image_file("your_file.jpg")
face_landmarks_list = face_recognition.face_landmarks(image)

识别人脸关键点在很多领域都有用处，但同样你也可以把这个功能玩坏，比如本项目的 digital make-up自动化妆案例（就像美图秀秀一样）。

image

识别图片中的人是谁

image

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)

你也可以配合其它的Python库（比如opencv）实现实时人脸检测：

image

看这个案例实时人脸检测。

安装

环境配置

Python 3.3+ or Python 2.7
macOS or Linux
Windows并不是我们官方支持的，但也许也能用

不同操作系统的安装方法

在 Mac 或者 Linux上安装本项目

第一步，安装dlib和相关Python依赖：

如何在macOS或者Ubuntu上安装dlib

然后，用pip命令从pypi社区上下载本项目的pyhon模块：

pip3命令下载的是python3对应的版本，pip命令下载的是python2对应的版本

pip3 install face_recognition

如果你遇到了幺蛾子，可以用Ubuntu虚拟机安装本项目，看下面这个教程。
如何使用Adam Geitgey大神提供的Ubuntu虚拟机镜像文件安装配置虚拟机，本项目已经包含在镜像中.

在树莓派上安装

树莓派安装指南

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写的教程：如何在Win10系统上安装 dlib库和 face_recognition项目

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

如何使用Adam Geitgey大神提供的Ubuntu虚拟机镜像文件安装配置虚拟机，本项目已经包含在镜像中（需要电脑中安装VMWare Player 或者 VirtualBox）

使用方法

命令行界面

当你安装好了本项目，你可以使用两种命令行工具：

face_recognition - 在单张图片或一个图片文件夹中认出是谁的脸。
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认出是谁的脸。

首先，你得有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：

known

然后，你需要第二个图片文件夹，文件夹里面是你希望识别的图片：

unknown

然后，你在命令行中切换到这两个文件夹所在路径，然后使用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（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。

通过传入参数 --tolerance 来实现这个功能，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

如果你想看人脸匹配的具体数值，可以传入参数 --show-distance true：

$ 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

更多的例子

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 ',' -f2Barack Obama
unknown_person

加速人脸识别运算

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。

子豪兄批注：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（亲测）。

Python 模块:face_recognition

在Python中，你可以导入face_recognition模块，调用我们提供的丰富的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

在图片中定位人脸的位置

import face_recognitionimage = 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!

看案例：定位拜登的脸

案例：定位拜登的脸

你也可以使用深度学习模型达到更加精准的人脸定位。

注意：这种方法需要GPU加速（通过英伟达显卡的CUDA库驱动），你在编译安装dlib的时候也需要开启CUDA支持。

import face_recognitionimage = 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!

看案例：使用卷积神经网络深度学习模型定位拜登的脸

如果你有很多图片需要识别，同时又有GPU，那么你可以参考这个例子：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.

识别单张图片中人脸的关键点

import face_recognitionimage = 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.

看这个案例案例：提取奥巴马和拜登的面部关键点

案例：提取奥巴马和拜登的面部关键点

识别图片中的人是谁

import face_recognitionpicture_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!")

看这个案例案例：是奥巴马还是拜登？

Python 案例

所有案例都在这个链接中也就是examples文件夹.

人脸定位

案例：定位拜登的脸
案例：使用卷积神经网络深度学习模型定位拜登的脸
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
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）

人脸关键点识别

案例：提取奥巴马和拜登的面部关键点
案例：给美国副总统拜登涂美妆

人脸识别

案例：是奥巴马还是拜登？
案例：人脸识别之后在原图上画框框并标注姓名
案例：在不同精度上比较两个人脸是否属于一个人
案例：从摄像头获取视频进行人脸识别-较慢版（需要安装OpenCV）
案例：从摄像头获取视频进行人脸识别-较快版（需要安装OpenCV）
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）
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
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）)
案例：基于K最近邻KNN分类算法进行人脸识别

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
- 主要内容：基本算法和原理
Face recognition with OpenCV, Python, and deep learning by Adrian Rosebrock
- 主要内容：如何实际使用本项目
Raspberry Pi Face Recognition by Adrian Rosebrock
- 主要内容：如何在树莓派上使用本项目
Face clustering with Python by Adrian Rosebrock
- 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