OpenCV 人脸识别和比对工具

应用场景

在很多张包含人脸的照片中，提取出包含指定人脸相关的照片。适合将图片按人物分类。

功能说明

此Python脚本可以：

1. 从一张目标人脸图片中提取人脸特征
2. 在指定目录中搜索包含该人脸的所有图片
3. 将匹配的图片保存到新目录并在图片上框出人脸位置
4. 提供阈值参数以调整识别精度

安装依赖

在运行脚本之前，需要安装以下依赖：

pip install opencv-python numpy requests dlib-bin

使用方法

配置路径

在运行脚本之前，需要在脚本中配置以下路径：

• target_image：目标人脸图片路径（默认为：C:\Users\zhangqs\Desktop\TEST\1.jpg）
• search_directory：要搜索的图片目录（默认为：C:\Users\zhangqs\Desktop\TEST\2）
• tolerance：人脸识别阈值（默认为：0.4，值越小越严格）

运行脚本

python face_recognition_script.py

脚本执行流程

1. 检查模型文件：自动检查并下载所需的dlib模型文件（首次运行时）
2. 初始化模型：加载人脸识别模型
3. 提取特征：从目标人脸图片中提取特征
4. 搜索匹配：在指定目录中搜索包含目标人脸的图片
5. 保存结果：将匹配的图片保存到 C:\Users\zhangqs\Desktop\TEST\3 目录，并在图片上框出人脸位置

提高识别准确性的方法

1. 使用清晰的目标图片：确保目标人脸图片清晰、正面，光线充足
2. 调整tolerance参数：降低阈值（如0.4）可以提高识别精度，但可能会漏掉一些相似的人脸
3. 确保搜索目录中的图片质量：搜索目录中的图片也应该清晰可见人脸
4. 使用足够的测试数据：搜索目录中应该包含足够多的图片来测试识别效果

注意事项

1. 首次运行时间较长：首次运行时需要下载模型文件，可能需要较长时间
2. 处理大量图片时可能耗时：这是正常现象，因为人脸识别是计算密集型任务
3. 支持的图片格式：jpg、jpeg、png、bmp
4. 脚本会遍历子目录：脚本会递归遍历指定目录及其所有子目录中的图片文件

技术原理

• 使用dlib进行人脸检测和特征提取
• 使用OpenCV进行图像处理
• 使用欧氏距离计算人脸特征相似度
• 通过阈值控制识别的严格程度
• 使用ResNet模型进行人脸识别，提高识别准确性

import os
import cv2
import dlib
import numpy as np
import argparse

# 全局变量
detector = None
sp = None
facerec = None

def extract_face_features(image_path):
    """
    从图片中提取人脸特征
    """
    try:
        # 读取图片
        img = cv2.imread(image_path)
        if img is None:
            print(f"错误: 无法读取 {image_path}")
            return None
        
        # 转换为灰度图
        gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
        
        # 检测人脸
        faces = detector(gray)
        if len(faces) == 0:
            print(f"错误: 在 {image_path} 中未检测到人脸")
            return None
        
        # 提取第一个人脸的特征
        shape = sp(img, faces[0])
        face_descriptor = facerec.compute_face_descriptor(img, shape)
        return np.array(face_descriptor)
    except Exception as e:
        print(f"错误: 处理 {image_path} 时出错: {e}")
        return None

def compute_distance(encoding1, encoding2):
    """
    计算两个人脸特征之间的欧氏距离
    """
    return np.linalg.norm(encoding1 - encoding2)

def find_matching_images(target_encoding, search_directory, target_directory, tolerance=0.6):
    """
    在指定目录中查找包含目标人脸的图片
    """
    matching_images = []
    
    # 创建保存目录 
    if not os.path.exists(target_directory):
        os.makedirs(target_directory)
        print(f"创建保存目录: {target_directory}")
    
    image_count = 1
    
    for root, dirs, files in os.walk(search_directory):
        for file in files:
            if file.lower().endswith(('.jpg', '.jpeg', '.png', '.bmp')):
                image_path = os.path.join(root, file)
                print(f"正在处理: {image_path}")
                
                try:
                    # 读取图片
                    img = cv2.imread(image_path)
                    if img is None:
                        print(f"警告: 无法读取 {image_path}")
                        continue
                    
                    # 转换为灰度图
                    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
                    
                    # 检测人脸
                    faces = detector(gray)
                    
                    # 检查每个人脸
                    for face in faces:
                        shape = sp(img, face)
                        face_descriptor = facerec.compute_face_descriptor(img, shape)
                        face_encoding = np.array(face_descriptor)
                        
                        # 计算距离
                        distance = compute_distance(target_encoding, face_encoding)
                        print(f"  距离: {distance:.4f}")
                        
                        # 检查是否匹配
                        if distance < tolerance:
                            matching_images.append(image_path)
                            
                            # 在图片上框出人脸
                            x, y, w, h = face.left(), face.top(), face.width(), face.height()
                            cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)
                            
                            # 保存处理后的图片
                            save_filename = f"{image_count}.jpg"
                            save_path = os.path.join(target_directory, save_filename)
                            cv2.imwrite(save_path, img)
                            print(f"  保存到: {save_path}")
                            
                            image_count += 1
                            break
                except Exception as e:
                    print(f"错误: 处理 {image_path} 时出错: {e}")
    
    return matching_images

def download_required_files():
    """
    下载所需的模型文件
    """
    import requests
    import zipfile
    
    files = {
        'shape_predictor_68_face_landmarks.dat': 'http://dlib.net/files/shape_predictor_68_face_landmarks.dat.bz2',
        'dlib_face_recognition_resnet_model_v1.dat': 'http://dlib.net/files/dlib_face_recognition_resnet_model_v1.dat.bz2'
    }
    
    for filename, url in files.items():
        if not os.path.exists(filename):
            # 检查压缩包是否存在
            if os.path.exists(f"{filename}.bz2"):
                print(f"发现压缩包 {filename}.bz2，正在解压...")
                try:
                    # 解压文件
                    import bz2
                    with bz2.BZ2File(f"{filename}.bz2", 'rb') as fr, open(filename, 'wb') as fw:
                        fw.write(fr.read())
                    
                    # 删除压缩文件
                    os.remove(f"{filename}.bz2")
                    print(f"{filename} 解压完成")
                except Exception as e:
                    print(f"错误: 解压 {filename} 时出错: {e}")
                    return False
            else:
                print(f"正在下载 {filename}...")
                try:
                    # 下载文件
                    import bz2
                    response = requests.get(url, stream=True)
                    with open(f"{filename}.bz2", 'wb') as f:
                        for chunk in response.iter_content(chunk_size=8192):
                            f.write(chunk)
                    
                    # 解压文件
                    print(f"正在解压 {filename}...")
                    with bz2.BZ2File(f"{filename}.bz2", 'rb') as fr, open(filename, 'wb') as fw:
                        fw.write(fr.read())
                    
                    # 删除压缩文件
                    os.remove(f"{filename}.bz2")
                    print(f"{filename} 下载完成")
                except Exception as e:
                    print(f"错误: 下载 {filename} 时出错: {e}")
                    return False
        else:
            print(f"{filename} 已存在")
    
    return True

def main():
    global detector, sp, facerec
    
    #程序运行目录
    root= os.path.dirname(os.path.abspath(__file__))
    #目标人脸图片
    target_image = os.path.join(root, "target.jpg")
    #源图片目录
    search_directory = os.path.join(root, "source")    
    os.makedirs(search_directory, exist_ok=True)
    #目标图片目录
    target_directory = os.path.join(root, "target")    
    os.makedirs(target_directory, exist_ok=True)

    tolerance = 0.4  # 降低阈值，提高识别精度
    
    print(f"目标人脸图片: {target_image}")
    print(f"搜索目录: {search_directory}")
    print(f"识别阈值: {tolerance}")
    
    # 检查模型文件是否存在
    print("\n检查所需的模型文件...")
    model_files = [
        'shape_predictor_68_face_landmarks.dat',
        'dlib_face_recognition_resnet_model_v1.dat'
    ]
    
    all_files_exist = True
    for model_file in model_files:
        if os.path.exists(model_file):
            print(f"{model_file} 已存在")
        else:
            print(f"错误: {model_file} 不存在")
            all_files_exist = False
    
    if not all_files_exist:
        print("缺少必要的模型文件，程序退出")
        return
    
    # 初始化dlib的模型
    print("初始化人脸识别模型...")
    detector = dlib.get_frontal_face_detector()
    sp = dlib.shape_predictor('shape_predictor_68_face_landmarks.dat')
    facerec = dlib.face_recognition_model_v1('dlib_face_recognition_resnet_model_v1.dat')
    
    print(f"\n正在提取目标人脸特征...")
    target_encoding = extract_face_features(target_image)
    
    if target_encoding is None:
        print("无法提取目标人脸特征，程序退出")
        return
    
    print(f"\n正在搜索包含目标人脸的图片...")
    matching_images = find_matching_images(target_encoding, search_directory, target_directory, tolerance)
    
    print(f"\n搜索完成！")
    print(f"找到 {len(matching_images)} 张包含目标人脸的图片:")
    for image_path in matching_images:
        print(f"- {image_path}")

if __name__ == "__main__":
    main()

资源下载

• 完整人脸检测/识别所需模型及代码，请在文章关联资源下载（文章顶部）。
• 经个人测试，对于人脸较少的情况下比较准确，人脸较多时不够准确，请谨慎使用。