主页 > 新闻 > 全球热点 > 正文

怎么用AI做面部识别 FaceRecognition库搭建人脸识别系统

发布时间：

使用Python的face_recognition库搭建人脸识别系统，可按以下步骤操作，适用于门禁、签到等场景：

一、环境准备

  1. 安装依赖库
    face_recognition基于dlib实现，需先安装相关依赖：

    
		
    
			
    
				
    
					Bash
    
				
    
					
    
						复制
    
				
    
			
    
			
    
				# 安装dlib（Windows建议通过conda或预编译whl，Linux/macOS可直接pip）  pip install cmake # 编译依赖  pip install dlib # 安装face_recognition和OpenCV（用于图像/视频处理）  pip install face_recognition opencv-python 
    
		
    
	
    2. 
	
  2. 
		
    
			准备人脸数据库 创建文件夹（如known_faces），存放已知人员的人脸照片（每人1-3张清晰正脸照，文件名建议为姓名，如zhangsan.jpg ）。
    
	
    3. 




	二、核心功能实现



	1. 人脸检测与编码



	将人脸图像转换为128维特征向量（人脸编码），用于后续比对：





	

		

			Python

		

			

				复制

		

	

	

		import face_recognition import cv2  # 加载已知人脸并生成编码  def load_known_faces(known_dir="known_faces"):  known_encodings = []  known_names = []  for filename in os.listdir(known_dir):  if filename.endswith(('.jpg', '.png')):  name = os.path.splitext(filename)[0]  image = face_recognition.load_image_file(f"{known_dir}/{filename}")  # 获取人脸编码（假设每张图仅1张人脸）   encoding = face_recognition.face_encodings(image)[0]  known_encodings.append(encoding)  known_names.append(name)  return known_encodings, known_names 





	2. 人脸比对



	比较输入人脸编码与数据库编码的相似度，tolerance为阈值（默认0.6，值越小越严格）：





	

		

			Python

		

			

				复制

		

	

	

		def recognize_face(unknown_image, known_encodings, known_names, tolerance=0.6):  # 检测人脸并生成编码   face_locations = face_recognition.face_locations(unknown_image)  face_encodings = face_recognition.face_encodings(unknown_image, face_locations)   results = []  for encoding in face_encodings:  # 与数据库比对   matches = face_recognition.compare_faces(known_encodings, encoding, tolerance)  name = "Unknown"  # 取最相似的匹配结果   if True in matches:  first_match_idx = matches.index(True)  name = known_names[first_match_idx]  results.append(name)  return face_locations, results 





	3. 实时摄像头识别



	结合OpenCV调用摄像头，实时检测并标注人脸：





	

		

			Python

		

			

				复制

		

	

	

		def realtime_recognition(known_encodings, known_names):  video_capture = cv2.VideoCapture(0) # 0表示默认摄像头    while True:  ret, frame = video_capture.read()  if not ret:  break   # 缩小图像以提高速度（可选）   small_frame = cv2.resize(frame, (0, 0), fx=0.5, fy=0.5)  rgb_small_frame = small_frame[:, :, ::-1] # BGR转RGB    # 识别人脸   face_locations, names = recognize_face(rgb_small_frame, known_encodings, known_names)   # 绘制边框和姓名   for (top, right, bottom, left), name in zip(face_locations, names):  # 还原缩放后的坐标   top *= 2  right *= 2  bottom *= 2  left *= 2   # 画矩形框   cv2.rectangle(frame, (left, top), (right, bottom), (0, 255, 0), 2)  # 标注姓名   cv2.putText(frame, name, (left, top - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)   cv2.imshow('Face Recognition', frame)  if cv2.waitKey(1) & 0xFF == ord('q'):  break   video_capture.release()  cv2.destroyAllWindows() 





	三、系统集成与应用



	以员工门禁系统为例，完整流程如下：


    
	
  1. 
		初始化数据库：加载员工人脸照片生成编码。
    2. 
	
  2. 
		实时检测：摄像头捕捉人脸，生成编码并比对。
    3. 
	
  3. 
		结果处理：匹配成功则开门（可通过GPIO控制硬件），失败则触发警报。
    4. 






	

		

			Python

		

			

				复制

		

	

	

		if __name__ == "__main__":  known_encodings, known_names = load_known_faces()  print(f"Loaded {len(known_names)} known faces.")  realtime_recognition(known_encodings, known_names) 





	四、注意事项


    
	
  • 
		安装问题：Windows安装dlib可能需手动下载预编译whl（如Unofficial Windows Binaries ）。
    • 
	
  • 
		性能优化：使用model='cnn'（face_locations函数参数）提升检测精度，但速度较慢；可缩小图像尺寸或使用GPU加速。
    • 
	
  • 
		准确率影响：确保人脸图像光照均匀、无遮挡，数据库样本覆盖不同角度和表情。
    • 




	通过以上步骤，可快速搭建轻量级人脸识别系统，适用于个人项目或小型应用场景。



  

  

   

   阅读全文
  


















▋最新热点