用Python实现最简单的人脸识别：调用现成库快速上手

引言/概述

人脸识别是计算机视觉领域中一个热门且实用的技术，广泛应用于安防、身份验证、智能相册、社交娱乐等多个场景。虽然从零开始实现一套完整的人脸识别系统需要深厚的数学、图像处理和深度学习知识，但得益于开源社区的蓬勃发展，如今我们只需几行 Python 代码，就能借助成熟的第三方库快速实现基础的人脸识别功能。

本文将带你使用 Python 和现成的开源库（如 face_recognition）构建一个最简单的人脸识别程序。我们将涵盖环境准备、人脸检测、人脸编码、人脸识别对比等核心步骤，并通过清晰的代码示例帮助你快速上手。即使你是编程新手，也能在10分钟内运行出自己的第一个人脸识别程序。

注意：本文聚焦于“可用性”而非“原理深度”，目标是让你快速体验人脸识别的效果。如需深入理解底层算法（如 HOG、CNN、FaceNet 等），建议后续学习相关论文或课程。

核心内容

一、选择合适的库：为什么推荐 face_recognition

在 Python 生态中，有多个可用于人脸识别的库，例如：

• OpenCV：功能强大，但人脸识别模块（如 LBPH、EigenFaces）准确率较低，且需自行训练模型。
• dlib：提供了基于 HOG 和 CNN 的人脸检测与特征提取，但安装复杂，依赖较多。
• face_recognition：由 Adam Geitgey 开发，基于 dlib 构建，封装了人脸检测、特征编码和比对功能，API 极其简洁，适合初学者。

因此，我们选择 face_recognition 作为本次教程的核心库。它最大的优势是：一行代码识别人脸，三行代码完成比对。

⚠️ 注意：face_recognition 仅支持 Python 3.6+，且在 Windows 上安装可能较慢（因需编译 dlib）。

二、环境准备与安装

首先，确保你的系统已安装 Python 3.6 或更高版本。然后通过 pip 安装所需库：

pip install face_recognition pillow

• face_recognition：主库，提供人脸识别功能。
• pillow：用于图像处理（加载、显示图片）。

💡 提示：在 macOS 或 Linux 上安装通常较顺利；Windows 用户若遇到 dlib 编译问题，可尝试使用 Anaconda 或预先编译的 wheel 文件。

安装完成后，可通过以下代码验证是否安装成功：

import face_recognition
print("face_recognition 库加载成功！")

若无报错，说明环境已就绪。

三、人脸检测：找出图像中的人脸位置

人脸识别的第一步是人脸检测——即在图像中定位人脸的位置（通常以矩形框表示）。

使用 face_recognition，只需调用 face_locations() 函数：

from PIL import Image
import face_recognition

# 加载图像
image = face_recognition.load_image_file("your_photo.jpg")

# 检测人脸位置（返回 (top, right, bottom, left) 坐标）
face_locations = face_recognition.face_locations(image)

print(f"检测到 {len(face_locations)} 张人脸")
for i, (top, right, bottom, left) in enumerate(face_locations):
    print(f"人脸 {i+1}: 位置 ({left}, {top}) 到 ({right}, {bottom})")

这段代码会输出图像中所有人脸的边界框坐标。你可以用 PIL.Image 将其可视化：

from PIL import Image, ImageDraw

# 将 numpy 数组转为 PIL 图像
pil_image = Image.fromarray(image)
draw = ImageDraw.Draw(pil_image)

# 绘制人脸框
for (top, right, bottom, left) in face_locations:
    draw.rectangle(((left, top), (right, bottom)), outline="red", width=3)

# 显示或保存结果
pil_image.show()  # 或 pil_image.save("output.jpg")

四、人脸编码：将人脸转化为128维特征向量

仅仅检测到人脸还不够，我们需要一种方式来“描述”这张脸，以便进行比对。face_recognition 使用 128维特征向量（face encoding） 来表示每个人脸。这个向量由深度卷积神经网络（基于 FaceNet 架构）生成，相似的人脸在向量空间中距离更近。

获取人脸编码非常简单：

# 假设 image 中只有一张人脸
face_encodings = face_recognition.face_encodings(image)

if face_encodings:
    my_face_encoding = face_encodings[0]  # 获取第一张人脸的编码
    print("人脸编码已生成，维度：", len(my_face_encoding))  # 输出 128
else:
    print("未检测到人脸！")

✅ 关键点：同一人的不同照片（不同角度、光照）会产生相近但不完全相同的编码。系统通过计算欧氏距离判断是否为同一人。

五、人脸识别：比对两张人脸是否属于同一人

现在，我们可以实现最核心的功能——判断两张照片中的人是否为同一人。

假设你有两张照片：me.jpg（你自己的照片）和 unknown.jpg（待识别的照片）。

# 加载已知人脸
known_image = face_recognition.load_image_file("me.jpg")
known_encoding = face_recognition.face_encodings(known_image)[0]

# 加载未知人脸
unknown_image = face_recognition.load_image_file("unknown.jpg")
unknown_encodings = face_recognition.face_encodings(unknown_image)

if unknown_encodings:
    unknown_encoding = unknown_encodings[0]
    
    # 比对人脸（返回 True/False 列表）
    results = face_recognition.compare_faces([known_encoding], unknown_encoding)
    
    if results[0]:
        print("✅ 是同一个人！")
    else:
        print("❌ 不是同一个人。")
else:
    print("未知图像中未检测到人脸。")

compare_faces() 默认使用 0.6 作为阈值（欧氏距离）。你也可以手动调整：

distance = face_recognition.face_distance([known_encoding], unknown_encoding)
if distance[0] < 0.5:  # 更严格的阈值
    print("高度匹配！")

六、进阶：识别多个人并打标签

实际应用中，我们常需要从一群人中识别出特定个体。下面是一个简单示例：

# 已知人物及其照片
known_faces = {
    "Alice": face_recognition.load_image_file("alice.jpg"),
    "Bob": face_recognition.load_image_file("bob.jpg"),
}

# 生成编码字典
known_encodings = {}
for name, img in known_faces.items():
    encodings = face_recognition.face_encodings(img)
    if encodings:
        known_encodings[name] = encodings[0]

# 待识别图像
group_photo = face_recognition.load_image_file("group.jpg")
group_encodings = face_recognition.face_encodings(group_photo)
face_locations = face_recognition.face_locations(group_photo)

# 逐个比对
pil_image = Image.fromarray(group_photo)
draw = ImageDraw.Draw(pil_image)

for (top, right, bottom, left), face_encoding in zip(face_locations, group_encodings):
    name = "Unknown"
    for known_name, known_encoding in known_encodings.items():
        match = face_recognition.compare_faces([known_encoding], face_encoding, tolerance=0.6)
        if match[0]:
            name = known_name
            break
    
    # 绘制标签
    draw.rectangle(((left, top), (right, bottom)), outline="blue", width=2)
    draw.text((left, bottom + 10), name, fill="green")

pil_image.show()

此代码可在合照中标注出已知人物的名字，其余标记为 “Unknown”。

总结

通过本文，我们使用 Python 和 face_recognition 库实现了最简单的人脸识别流程：

1. 安装库：pip install face_recognition pillow
2. 人脸检测：face_locations() 定位人脸
3. 特征编码：face_encodings() 生成128维向量
4. 人脸比对：compare_faces() 判断是否为同一人
5. 多脸识别：结合循环与字典实现批量识别

这套方案虽然简单，但背后依托的是强大的深度学习模型（dlib 的 ResNet），在普通场景下准确率相当高。当然，它也有局限性：对侧脸、遮挡、低光照等情况表现不佳；且无法处理大规模人脸数据库（如百万级）。

但对于学习、原型开发或小型项目（如家庭相册自动分类、门禁系统 demo），它已经足够强大且易于使用。

🌟 下一步建议：

• 尝试用摄像头实时识别人脸（结合 OpenCV 的 cv2.VideoCapture）
• 将人脸编码保存到文件或数据库，避免重复计算
• 学习 dlib 或 OpenCV 的更高级用法，提升性能与鲁棒性

人脸识别的世界才刚刚开启，希望这篇入门指南能为你打开大门！