上一个项目我们使用2个函数检测了两张图片的人脸是否为同一个人，这次我们将他的相似度使用face_distance来显示
face_distance函数参数说明
face_recognition.face_distance(known_face_encodings, face_to_compare)
参数说明
known_face_encodings: 这是一个列表，包含了已知的多个人脸编码（通常是从已知的图像中提取得到的）。每个人脸编码是一个128维的向量。
face_to_compare: 这是一个单独的人脸编码，通常是从另一张图像中提取的。也是一个128维的向量。
返回值
- 函数返回一个包含浮点数的数组，表示
face_to_compare与known_face_encodings中每个人脸编码之间的欧氏距离。功能和用途
欧氏距离计算: 对于每个人脸编码对，函数计算其欧氏距离。欧氏距离越小，表示两个人脸编码之间越相似。
相似度比较: 通过比较欧氏距离，可以判断两个人脸是否属于同一个人，或者在人脸识别任务中，用于识别最相似的人脸。
接下来我们来看代码
代码实现
import cv2
import face_recognition
# 加载图像文件
img1 = face_recognition.load_image_file('lyf1.png')
img2 = face_recognition.load_image_file('lyf2.png')
# 将图像从 BGR 格式转换为 RGB 格式
img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2RGB)
img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2RGB)
# 第一个人的人脸位置信息
faceloc1 = face_recognition.face_locations(img1)[0]
faceloc2 = face_recognition.face_locations(img2)[0]
# 提取人脸编码
face_encoding1 = face_recognition.face_encodings(img1, [faceloc1])[0]
face_encoding2 = face_recognition.face_encodings(img2, [faceloc2])[0]
#框出人脸
cv2.rectangle(img1, (faceloc1[3], faceloc1[0]), (faceloc1[1], faceloc1[2]), (0, 255, 0), 3)
cv2.rectangle(img2, (faceloc2[3], faceloc2[0]), (faceloc2[1], faceloc2[2]), (0, 255, 0), 3)
#比对人脸特征
res = face_recognition.compare_faces([face_encoding1],face_encoding2)
facedis = face_recognition.face_distance([face_encoding1],face_encoding2)
print(res,round(facedis[0],2))
cv2.putText(img1,f'{res}{round(facedis[0],2)}',(50,50),cv2.FONT_HERSHEY_COMPLEX,1,(0,255,0),3)
#打印人脸位置信息
# print(faceloc1)
# print(faceloc2)
cv2.imshow('lyf1', img1)
cv2.imshow('lyf2', img2)
cv2.waitKey(0)效果演示
这样就完成了