人脸追踪案例及机器学习认识

4.识别特定的人脸

人脸识别的问题也是人工智能领域的热门问题，Python 第三方包 Face

Recognition 便利用了开源的训练成果，可以直接将人脸图像转换为 128 个特征信息并用

于区分不同人脸。

在编写程序之前，首先需要导入一张包含已知人物面部的图片以供检测对比，导入的图

片最好只包含一张人脸。如果没有照片，可以先用 OpenCV 拍一张自己的正脸照片。

imwrite 函数可以将图像保存到指定地址，参数分别为存储地址和图像信息。存储地址

应包含文件的名称和格式，通常选择 jpg 或 png 格式即可。上面的程序可以实现按下键盘

s 键则将当前摄像头帧存储到指定地址。

接下来，我们先提取这张图片的人脸特征。使用下面的语句可以非常轻松地对一张图像

的信息进行面部检索与编码

---

OpenCV 中内置的 imread 函数可以读取出一张图片中的图像信息，其参数为图片的

存储位置。 face_recognition 包中的 face_encodings 函数可以对图像信息中的人脸进行检索并 转化为前面提到的 128 个特征信息数据，这个转化过程可以被称为编码。

face_encodings 函数接受的图像信息需要按照 RGB 的顺序排列，这与 OpenCV 默

认的 BGR 顺序不同，因此可以先用 cvtColor 函数进行转换（参数设定为 cv2.COLOR_

BGR2RBG）。face_encodings 函数的返回值是一个列表，其包括从图像上找到的所有

人脸对应的特征信息序列。

在载入已知人脸图像的特征信息后，我们就可以将实时摄像头中捕获到的人脸信息与之

对比。在实时检测中，如果对每一帧都使用 face_encodings 函数进行编码，这个进程将

非常缓慢，完全失去实时性。为了提高检测速度，我们仍可以先用 HAAR 特征检测找到人

脸的位置，再直接对这个区域进行编码

这里，为方便起见，我们假定需要比对的人脸只有一个，因此 detectMultiScale 函数

使用了 cv2.CASCADE_FIND_BIGGEST_OBJECT（寻找最大目标）参数，并返回其

位置信息，依序由左上角 x 坐标、左上角 y 坐标、宽度、高度构成。

face_encodings 函数可以接受第二个参数：人脸的位置。设定这个参数后，face_

encodings 函数将不再检测人脸位置而是直接计算出这个位置人脸的特征信息。需要注意

的是，face_encodings 函数接受的位置信息需要按照左上角 y 坐标、右下角 x 坐标、右下

角 y 坐标、左上角 x 坐标的顺序排列。这些信息可以是一组或多组（即可以指定多个人脸

的位置信息）。因此我们需要先把 HAAR 特征人脸检测得到的人脸位置信息转换成 face_

encodings 函数能接受的位置信息

注意，这里传入 face_encodings 函数的位置序列处于一个长度为 1 的列表 face_

locations 中，我们对它使用 append 函数将需要的位置序列加入其中。此外，传入的位置

信息必须为整数型，需先用 int 函数强制转换。

现在，我们已经完成了人工智能识别人脸的第三个步骤：特征提取，接下来只需要将特

征与已知信息比较，完成特征的匹配与识别即可

face_recognition 包中预置了一个 compare_faces 函数，可以非常方便地进行比较

判断，例如：

函数可接收 3 个参数：预置的已知人脸特征信息（可以是一组或多组信息）、待比较

的人脸特征信息（只能是一组）、容忍率。

已知人脸信息就是我们此前保存的照片编码后得到的信息，待比较的人脸信息则是摄像

头实时检测并编码的人脸信息。不过，在我们前面的程序中，face_encodings 函数的返回

值是一个长度为 1 的列表，将它传入 compare_faces 函数之前还需要用 for 循环取出其中

的元素。容忍率则表示判断的标准，值越大，判断越宽松，但也越可能错判；值越小，判断

越严苛，但也越可能漏判。0.5 是针对东亚人脸的参考值，但也可根据实际情况调整。

函数的返回值是一个列表，它依序将待比较人脸与所有设定的已知人脸相比较并得到

True 或 False 的结果，表示判断是或不是同一个人。本例中，由于已知人脸只有一张，该

返回值的长度为 1，若要判断是否是同一人，只需要判断返回之中是否存在 True 即可。在

Python 中，“某值 in 某列表或元组”将返回这个列表或元组中是否包含某值的逻辑判断结果。

这里，我们对实时图像中的人脸与已知人脸进行比较，如果成功，则用 face_

locations[0] 直接取出该人脸的坐标并绘制矩形框。识别特定人脸的完整的程序如下。

import cv2
import face_recognition
# 载入包含你面部的图片并对它编码
my_image = cv2.imread("/home/pi/photos/1.jpg")
my_image = cv2.cvtColor(my_image, cv2.COLOR_BGR2RGB)
my_face_encoding = face_recognition.face_encodings(my_image)
# 载入人脸分类器
face_cascade = cv2.CascadeClassifier('/home/pi/cascade/haarcascade_
frontalface_default.xml')
cap = cv2.VideoCapture(0) # 开始读取摄像头信号
while cap.isOpened():
 (ret, frame) = cap.read() # 读取每一帧视频图像为 frame
 frame = cv2.flip(frame, 0) # 将图像上下镜像翻转
 gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 将图像转换为灰度图
 faces = face_cascade.detectMultiScale(gray, minSize=(100, 100), 
flags=cv2.CASCADE_FIND_BIGGEST_OBJECT) # 检测人脸的位置
 face_locations = [] # 定义一个列表存储人脸的位置信息
 for (left, top, width, height) in faces: # 遍历找到的人脸的位置信息
 # 计算出右下角的坐标
 right = left + width
 bottom = top + height
 # 为 face_locations 添加一个人脸的位置信息，注意需要强制转换为 int 类型
 face_locations.append((int(top), int(right), int(bottom), 
int(left)))
 rgb_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) # 得到每一帧的 RGB
图像信息
 face_encodings = face_recognition.face_encodings(rgb_frame, face_
locations) # 计算特定位置的人脸特征信息
 for face_encoding in face_encodings: # 遍历得到的所有人脸特征信息
 matches = face_recognition.compare_faces(my_face_encoding, 
face_encoding, tolerance=0.5) # 将它与已知的人脸进行比较
 if True in matches: # 如果检测成功
 (top, right, bottom, left) = face_locations[0] # 获得该人脸的
位置信息
 cv2.rectangle(frame, (left, top), (right, bottom), (0, 0, 
255), 2) # 绘制矩形框
 cv2.imshow("Recognition", frame) # 预览图像
 cv2.waitKey(5) # 每帧等待 5 毫秒
cap.release()
cv2.destroyAllWindows()