《Python 人脸识别入门实践：从人脸检测到人脸比对完整实现》

Python 人脸识别入门实践：从人脸检测到人脸比对完整实现

一、什么是人脸识别？

人脸识别，简单来说，就是让计算机判断一张图片或视频中的人脸是谁。

它通常包括两个层面的任务：

text 复制代码

人脸检测：判断图像中有没有人脸，并找出人脸位置
人脸识别：判断检测到的人脸属于谁

例如，在一张图片中，程序可以完成以下工作：

text 复制代码

输入图片
↓
检测图片中的人脸位置
↓
提取人脸特征
↓
和已知人脸进行比对
↓
输出识别结果

所以，人脸识别并不是简单地"看见脸"，而是要进一步判断"这张脸是谁"。

二、人脸检测和人脸识别的区别

很多小白刚开始学习时，会把"人脸检测"和"人脸识别"混在一起。

其实它们不是一回事。

对比项	人脸检测	人脸识别
目标	找出图像中的人脸位置	判断人脸属于谁
输出结果	人脸框坐标	人名或身份
难度	相对较低	相对较高
示例	图片中有几张脸	这张脸是不是张三

举个例子：

text 复制代码

人脸检测：这张图片里有一张人脸，位置在左上角。
人脸识别：这张人脸是张三。

完整的人脸识别系统通常要先做人脸检测，再做人脸识别。

三、人脸识别的基本流程

一个基础的人脸识别系统一般包括以下步骤：

text 复制代码

准备已知人脸图片
↓
提取已知人脸特征
↓
读取待识别图片
↓
检测待识别图片中的人脸
↓
提取待识别人脸特征
↓
计算两张人脸特征的相似度
↓
输出识别结果

可以理解为：

text 复制代码

先把"标准答案"存起来
再拿新图片和标准答案进行比较
最后判断是不是同一个人

四、环境准备

本文使用 Python 实现基础人脸识别功能，需要安装以下库：

bash 复制代码

pip install opencv-python
pip install face_recognition

如果安装 face_recognition 时遇到问题，通常是因为它依赖 dlib，部分电脑需要先安装 CMake：

bash 复制代码

pip install cmake
pip install dlib
pip install face_recognition

如果是在 Windows 环境中，安装 dlib 可能会比较麻烦，可以优先使用 Anaconda 或者搜索对应 Python 版本的 whl 文件安装。

五、使用 OpenCV 实现人脸检测

首先，我们用 OpenCV 完成最基础的人脸检测。

1. 准备图片

假设项目目录中有一张图片：

text 复制代码

test.jpg

2. 编写人脸检测代码

python 复制代码

import cv2

# 读取图片
image = cv2.imread("test.jpg")

if image is None:
    print("图片读取失败，请检查图片路径")
    exit()

# 转换为灰度图
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 加载 OpenCV 自带的人脸检测模型
face_cascade = cv2.CascadeClassifier(
    cv2.data.haarcascades + "haarcascade_frontalface_default.xml"
)

# 检测人脸
faces = face_cascade.detectMultiScale(
    gray,
    scaleFactor=1.1,
    minNeighbors=5,
    minSize=(30, 30)
)

# 绘制人脸框
for (x, y, w, h) in faces:
    cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)

# 输出检测到的人脸数量
print("检测到的人脸数量：", len(faces))

# 显示结果
cv2.imshow("Face Detection", image)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行后，程序会在图片中的人脸区域画出绿色矩形框。

六、OpenCV 人脸检测代码解析

1. 读取图片

python 复制代码

image = cv2.imread("test.jpg")

用于读取本地图片。

2. 转换灰度图

python 复制代码

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

很多传统图像检测算法会先把彩色图片转换为灰度图，这样可以减少计算量。

3. 加载人脸检测器

python 复制代码

face_cascade = cv2.CascadeClassifier(
    cv2.data.haarcascades + "haarcascade_frontalface_default.xml"
)

这里使用的是 OpenCV 自带的 Haar 人脸检测模型，适合小白入门。

4. 检测人脸

python 复制代码

faces = face_cascade.detectMultiScale(gray)

检测结果中包含每张人脸的位置。

每个人脸框包括：

text 复制代码

x, y, w, h

含义分别是：

参数	含义
x	人脸框左上角 x 坐标
y	人脸框左上角 y 坐标
w	人脸框宽度
h	人脸框高度

七、使用摄像头进行实时人脸检测

除了检测图片，也可以调用摄像头进行实时检测。

python 复制代码

import cv2

# 打开摄像头
cap = cv2.VideoCapture(0)

# 加载人脸检测模型
face_cascade = cv2.CascadeClassifier(
    cv2.data.haarcascades + "haarcascade_frontalface_default.xml"
)

while True:
    ret, frame = cap.read()

    if not ret:
        print("摄像头读取失败")
        break

    # 转换为灰度图
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

    # 检测人脸
    faces = face_cascade.detectMultiScale(
        gray,
        scaleFactor=1.1,
        minNeighbors=5,
        minSize=(30, 30)
    )

    # 绘制人脸框
    for (x, y, w, h) in faces:
        cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)

    # 显示画面
    cv2.imshow("Real-time Face Detection", frame)

    # 按 q 退出
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

# 释放资源
cap.release()
cv2.destroyAllWindows()

其中：

python 复制代码

cv2.VideoCapture(0)

表示调用电脑默认摄像头。

如果有多个摄像头，可以尝试：

python 复制代码

cv2.VideoCapture(1)
cv2.VideoCapture(2)

八、使用 face_recognition 实现人脸识别

OpenCV 上面的代码主要完成的是"人脸检测"，也就是找到人脸在哪里。

如果想判断"这个人是谁"，可以使用 face_recognition 库。

假设我们有两张图片：

text 复制代码

known.jpg      # 已知人物照片
unknown.jpg    # 待识别人物照片

代码如下：

python 复制代码

import face_recognition

# 加载已知人脸图片
known_image = face_recognition.load_image_file("known.jpg")

# 加载待识别人脸图片
unknown_image = face_recognition.load_image_file("unknown.jpg")

# 提取已知人脸特征
known_encodings = face_recognition.face_encodings(known_image)

# 提取待识别人脸特征
unknown_encodings = face_recognition.face_encodings(unknown_image)

# 判断是否检测到人脸
if len(known_encodings) == 0:
    print("已知图片中没有检测到人脸")
    exit()

if len(unknown_encodings) == 0:
    print("待识别图片中没有检测到人脸")
    exit()

# 获取第一张人脸的特征
known_encoding = known_encodings[0]
unknown_encoding = unknown_encodings[0]

# 人脸比对
results = face_recognition.compare_faces(
    [known_encoding],
    unknown_encoding,
    tolerance=0.6
)

# 输出结果
if results[0]:
    print("识别结果：是同一个人")
else:
    print("识别结果：不是同一个人")

九、人脸识别代码解析

1. 加载图片

python 复制代码

known_image = face_recognition.load_image_file("known.jpg")
unknown_image = face_recognition.load_image_file("unknown.jpg")

分别加载已知图片和待识别图片。

2. 提取人脸特征

python 复制代码

known_encodings = face_recognition.face_encodings(known_image)
unknown_encodings = face_recognition.face_encodings(unknown_image)

face_encodings 会把人脸转换成一组特征向量。

可以简单理解为：

text 复制代码

把一张人脸转换成一串数字

后续程序就是通过比较这串数字来判断两张脸是否相似。

3. 人脸比对

python 复制代码

results = face_recognition.compare_faces(
    [known_encoding],
    unknown_encoding,
    tolerance=0.6
)

tolerance 表示容忍度。

一般来说：

tolerance	说明
0.4	更严格，误识别更少，但可能漏识别
0.6	默认值，比较常用
0.8	更宽松，容易识别成功，但误识别风险更高

小白入门阶段可以先使用：

python 复制代码

tolerance=0.6

十、识别多个人脸

如果一张图片中有多个人脸，可以循环处理。

python 复制代码

import face_recognition

# 加载已知人脸
known_image = face_recognition.load_image_file("known.jpg")
known_encodings = face_recognition.face_encodings(known_image)

if len(known_encodings) == 0:
    print("已知图片中没有检测到人脸")
    exit()

known_encoding = known_encodings[0]

# 加载待识别图片
unknown_image = face_recognition.load_image_file("unknown.jpg")

# 获取待识别图片中所有人脸位置
face_locations = face_recognition.face_locations(unknown_image)

# 获取所有人脸特征
face_encodings = face_recognition.face_encodings(unknown_image, face_locations)

print("检测到人脸数量：", len(face_encodings))

for index, face_encoding in enumerate(face_encodings):
    result = face_recognition.compare_faces(
        [known_encoding],
        face_encoding,
        tolerance=0.6
    )

    if result[0]:
        print(f"第 {index + 1} 张人脸：匹配成功")
    else:
        print(f"第 {index + 1} 张人脸：不是目标人物")

十一、给识别结果画框并显示姓名

下面这个例子会在图片中画出人脸框，并标注识别结果。

python 复制代码

import cv2
import face_recognition

# 加载已知人脸
known_image = face_recognition.load_image_file("known.jpg")
known_encodings = face_recognition.face_encodings(known_image)

if len(known_encodings) == 0:
    print("已知图片中没有检测到人脸")
    exit()

known_encoding = known_encodings[0]
known_name = "Zhang San"

# 加载待识别图片
image = face_recognition.load_image_file("unknown.jpg")

# 检测人脸位置和特征
face_locations = face_recognition.face_locations(image)
face_encodings = face_recognition.face_encodings(image, face_locations)

# 转换颜色格式，便于 OpenCV 显示
image_bgr = cv2.cvtColor(image, cv2.COLOR_RGB2BGR)

for face_location, face_encoding in zip(face_locations, face_encodings):
    top, right, bottom, left = face_location

    matches = face_recognition.compare_faces(
        [known_encoding],
        face_encoding,
        tolerance=0.6
    )

    if matches[0]:
        name = known_name
    else:
        name = "Unknown"

    # 绘制人脸框
    cv2.rectangle(image_bgr, (left, top), (right, bottom), (0, 255, 0), 2)

    # 绘制姓名背景
    cv2.rectangle(image_bgr, (left, bottom - 30), (right, bottom), (0, 255, 0), -1)

    # 写入姓名
    cv2.putText(
        image_bgr,
        name,
        (left + 6, bottom - 8),
        cv2.FONT_HERSHEY_SIMPLEX,
        0.8,
        (255, 255, 255),
        2
    )

# 显示结果
cv2.imshow("Face Recognition", image_bgr)
cv2.waitKey(0)
cv2.destroyAllWindows()

十二、识别多个人物

如果要识别多个人物，可以准备多张已知人脸图片。

假设有：

text 复制代码

known_faces/
├── zhangsan.jpg
├── lisi.jpg
└── wangwu.jpg

可以这样写：

python 复制代码

import face_recognition
import os

known_face_encodings = []
known_face_names = []

known_faces_dir = "known_faces"

for filename in os.listdir(known_faces_dir):
    if filename.endswith(".jpg") or filename.endswith(".png"):
        image_path = os.path.join(known_faces_dir, filename)

        image = face_recognition.load_image_file(image_path)
        encodings = face_recognition.face_encodings(image)

        if len(encodings) > 0:
            known_face_encodings.append(encodings[0])

            # 使用文件名作为姓名
            name = os.path.splitext(filename)[0]
            known_face_names.append(name)

print("已加载人脸数量：", len(known_face_encodings))
print("已加载人物姓名：", known_face_names)

这样就可以把文件夹中的人脸批量加载进来。

十三、完整人脸识别项目代码

下面是一份相对完整的人脸识别代码，可以识别多个人物，并在图片上标注姓名。

项目目录结构：

text 复制代码

face_project/
├── known_faces/
│   ├── zhangsan.jpg
│   ├── lisi.jpg
│   └── wangwu.jpg
├── test.jpg
└── main.py

完整代码如下：

python 复制代码

import cv2
import face_recognition
import os

# 存储已知人脸特征和姓名
known_face_encodings = []
known_face_names = []

# 已知人脸文件夹
known_faces_dir = "known_faces"

# 加载已知人脸
for filename in os.listdir(known_faces_dir):
    if filename.lower().endswith((".jpg", ".jpeg", ".png")):
        image_path = os.path.join(known_faces_dir, filename)

        image = face_recognition.load_image_file(image_path)
        encodings = face_recognition.face_encodings(image)

        if len(encodings) > 0:
            known_face_encodings.append(encodings[0])
            name = os.path.splitext(filename)[0]
            known_face_names.append(name)
        else:
            print(f"警告：{filename} 中没有检测到人脸")

print("已加载人脸数量：", len(known_face_encodings))

# 读取待识别图片
image = face_recognition.load_image_file("test.jpg")

# 检测人脸位置
face_locations = face_recognition.face_locations(image)

# 提取人脸特征
face_encodings = face_recognition.face_encodings(image, face_locations)

# 转换为 OpenCV 可显示的 BGR 格式
image_bgr = cv2.cvtColor(image, cv2.COLOR_RGB2BGR)

# 遍历检测到的人脸
for face_location, face_encoding in zip(face_locations, face_encodings):
    top, right, bottom, left = face_location

    # 默认未知
    name = "Unknown"

    # 与已知人脸进行比对
    matches = face_recognition.compare_faces(
        known_face_encodings,
        face_encoding,
        tolerance=0.6
    )

    # 如果有匹配结果
    if True in matches:
        first_match_index = matches.index(True)
        name = known_face_names[first_match_index]

    # 绘制人脸框
    cv2.rectangle(image_bgr, (left, top), (right, bottom), (0, 255, 0), 2)

    # 绘制姓名背景
    cv2.rectangle(image_bgr, (left, bottom - 30), (right, bottom), (0, 255, 0), -1)

    # 显示姓名
    cv2.putText(
        image_bgr,
        name,
        (left + 6, bottom - 8),
        cv2.FONT_HERSHEY_SIMPLEX,
        0.8,
        (255, 255, 255),
        2
    )

# 保存结果
cv2.imwrite("result.jpg", image_bgr)

# 显示结果
cv2.imshow("Face Recognition Result", image_bgr)
cv2.waitKey(0)
cv2.destroyAllWindows()

十四、摄像头实时人脸识别

如果要使用摄像头进行实时人脸识别，可以参考下面代码。

python 复制代码

import cv2
import face_recognition
import os

known_face_encodings = []
known_face_names = []

known_faces_dir = "known_faces"

# 加载已知人脸
for filename in os.listdir(known_faces_dir):
    if filename.lower().endswith((".jpg", ".jpeg", ".png")):
        image_path = os.path.join(known_faces_dir, filename)
        image = face_recognition.load_image_file(image_path)
        encodings = face_recognition.face_encodings(image)

        if len(encodings) > 0:
            known_face_encodings.append(encodings[0])
            known_face_names.append(os.path.splitext(filename)[0])

# 打开摄像头
cap = cv2.VideoCapture(0)

while True:
    ret, frame = cap.read()

    if not ret:
        print("摄像头读取失败")
        break

    # OpenCV 读取的是 BGR，face_recognition 使用 RGB
    rgb_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)

    # 检测人脸位置
    face_locations = face_recognition.face_locations(rgb_frame)

    # 提取人脸特征
    face_encodings = face_recognition.face_encodings(rgb_frame, face_locations)

    for face_location, face_encoding in zip(face_locations, face_encodings):
        top, right, bottom, left = face_location

        name = "Unknown"

        matches = face_recognition.compare_faces(
            known_face_encodings,
            face_encoding,
            tolerance=0.6
        )

        if True in matches:
            first_match_index = matches.index(True)
            name = known_face_names[first_match_index]

        # 绘制人脸框
        cv2.rectangle(frame, (left, top), (right, bottom), (0, 255, 0), 2)

        # 绘制姓名背景
        cv2.rectangle(frame, (left, bottom - 30), (right, bottom), (0, 255, 0), -1)

        # 显示姓名
        cv2.putText(
            frame,
            name,
            (left + 6, bottom - 8),
            cv2.FONT_HERSHEY_SIMPLEX,
            0.8,
            (255, 255, 255),
            2
        )

    cv2.imshow("Real-time Face Recognition", frame)

    # 按 q 退出
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cap.release()
cv2.destroyAllWindows()

十五、人脸识别常见问题

1. 为什么识别不到人脸？

可能原因有：

图片太模糊；
人脸太小；
光线太暗；
人脸角度太偏；
人脸被遮挡；
图片路径错误；
图片中没有正面人脸。

2. 为什么识别结果不准确？

可能原因有：

已知人脸图片太少；
已知图片和待识别图片差异太大；
人脸表情变化明显；
光照变化太大；
人脸被帽子、口罩、眼镜遮挡；
tolerance 参数设置不合理。

3. 如何提高识别准确率？

可以从以下几个方面优化：

text 复制代码

使用更清晰的已知人脸图片
每个人准备多张不同角度的人脸图片
保证光线充足
尽量使用正脸图片
适当调整 tolerance 参数
避免使用严重遮挡的人脸图片

4. 为什么摄像头运行很卡？

可能原因有：

电脑性能不足；
摄像头分辨率太高；
每一帧都做人脸识别计算量较大；
同时识别的人脸数量太多。

可以尝试降低分辨率：

python 复制代码

cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640)
cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480)

十六、人脸识别的应用场景

人脸识别可以应用在很多实际项目中。

1. 门禁系统

通过摄像头识别人脸，实现刷脸开门。

2. 考勤系统

通过人脸识别判断员工或学生是否到场。

3. 相册分类

根据人脸自动对照片进行分类。

4. 智慧安防

用于人员识别、陌生人检测、重点区域监控等场景。

5. 登录验证

在部分系统中，可以使用人脸作为身份验证方式。

十七、人脸识别项目开发注意事项

人脸识别属于生物特征识别技术，在实际项目中需要特别注意隐私和数据安全。

开发时建议注意以下几点：

采集人脸数据前应取得用户授权；
不要随意上传他人人脸照片；
不要把人脸数据公开到网络；
人脸数据应加密存储；
项目中应明确告知用户数据用途；
不要将人脸识别用于违法、侵犯隐私或未经授权的场景。

技术可以提高效率，但必须在合法、合规、尊重隐私的前提下使用。

十八、本文总结

本文介绍了 Python 人脸识别的基础知识和实现方法，主要包括：

text 复制代码

人脸检测与人脸识别的区别
OpenCV 实现人脸检测
face_recognition 实现人脸比对
多人物人脸识别
摄像头实时人脸识别
常见问题和优化方法

对于初学者来说，建议按照下面的顺序学习：

text 复制代码

先理解人脸检测
再学习人脸特征提取
然后实现两张图片比对
最后实现多人脸识别和摄像头实时识别

人脸识别是计算机视觉中的经典应用，也是很多课程设计、毕业设计和项目实战中常见的方向。掌握本文中的基础代码后，可以进一步扩展为刷脸考勤系统、门禁系统、人脸登录系统以及 Web 可视化识别平台。