1.功能介绍：

用户输入人脸照片，程序从照片库中选出10张最相似人脸照片输出在文件夹中，并且给出这十张人脸与输入人脸的相似度值。

- 照片库可以增删

- 调节相似度阈值可调节

- 自定义UI操作界面

2.视频演示：

3.图片演示：

4.人脸相似度对比原理：

整体思路：

1、预先导入所需要的人脸识别模型；

2、遍历循环识别文件夹里面的图片，让模型“记住”人物的样子；

3、输入一张新的图像，与前一步文件夹里面的图片比对，返回最接近的结果。

使用到的第三方模块和模型：

1、模块：os,dlib,glob,numpy；

2、模型：人脸关键点检测器，人脸识别模型。

导入需要的模型。

这里解释一下两个dat文件：

它们的本质是参数值（即神经网络的权重）。人脸识别算是深度学习的一个应用，事先需要经过大量的人脸图像来训练。所以一开始我们需要去设计一个神经网络结构，来“记住”人类的脸。

对于神经网络来说，即便是同样的结构，不同的参数也会导致识别的东西不一样。在这里，这两个参数文件就对应了不同的功能（它们对应的神经网络结构也不同）：

shape_predictor.dat这个是为了检测人脸的关键点，比如眼睛，嘴巴等等；dlib_face_recognition.dat是在前面检测关键点的基础上，生成人脸的特征值。

所以后面使用dlib模块的时候，其实就是相当于，调用了某个神经网络结构，再把预先训练好的参数传给我们调用的神经网络。顺便提一下，在深度学习领域中，往往动不动会训练出一个上百M的参数模型出来，是很正常的事。

import os,dlib,glob,numpyfrom skimage import io# 人脸关键点检测器predictor_path = "shape_predictor.dat"# 人脸识别模型、提取特征值face_rec_model_path = "dlib_face_recognition.dat"# 训练图像文件夹faces_folder_path ='train_images' # 加载模型detector = dlib.get_frontal_face_detector()sp = dlib.shape_predictor(predictor_path)facerec = dlib.face_recognition_model_v1(face_rec_model_path)

对训练集进行识别

candidate = [] # 存放训练集人物名字descriptors = [] #存放训练集人物特征列表for f in glob.glob(os.path.join(faces_folder_path,"*.jpg")):print("正在处理: {}".format(f))img = io.imread(f)candidate.append(f.split('\\')[-1].split('.')[0])# 人脸检测dets = detector(img, 1)for k, d in enumerate(dets): shape = sp(img, d)# 提取特征face_descriptor = pute_face_descriptor(img, shape)v = numpy.array(face_descriptor) descriptors.append(v)print('识别训练完毕！')

当你做完这一步之后，输出列表descriptors看一下，可以看到类似这样的数组，每一个数组代表的就是每一张图片的特征量（128维）。然后我们可以使用L2范式（欧式距离），来计算两者间的距离。

举个例子，比如经过计算后，A的特征值是[x1,x2,x3],B的特征值是[y1,y2,y3], C的特征值是[z1,z2,z3]。

那么由于A和B更接近，所以会认为A和B更像。想象一下极端情况，如果是同一个人的两张不同照片，那么它们的特征值是不是应该会几乎接近呢？知道了这一点，就可以继续往下走了。

处理待对比的图片。

其实是同样的道理，如法炮制，目的就是算出一个特征值出来，所以和第二步差不多。然后再顺便计算出新图片和第二步中每一张图片的距离，再合成一个字典类型，排个序，选出最小值，搞定收工！

try:## test_path=input('请输入要检测的图片的路径（记得加后缀哦）:')img = io.imread(r".\test_images\test6.jpg")dets = detector(img, 1)except:print('输入路径有误，请检查！')dist = []for k, d in enumerate(dets):shape = sp(img, d)face_descriptor = pute_face_descriptor(img, shape)d_test = numpy.array(face_descriptor) for i in descriptors:#计算距离dist_ = numpy.linalg.norm(i-d_test)dist.append(dist_)# 训练集人物和距离组成一个字典c_d = dict(zip(candidate,dist))cd_sorted = sorted(c_d.items(), key=lambda d:d[1])print ("识别到的人物最有可能是: ",cd_sorted[0][0])

5.系统整合：

6.完整源码＆环境部署视频教程＆自定义UI界面：

7.参考文献：

[1]一种新的人眼定位算法[J]. 金名蜚. 淮阴师范学院学报(自然科学版). (03)[2]基于复杂度和最佳阈值的人眼定位方法[J]. 崔连延,徐林,顾树生. 控制工程. (01)[3]复杂背景下基于肤色和几何特征的人眼定位[J]. 李璇,罗敏,施荣华,李丽. 计算机测量与控制. (03)[4]一种基于圆检测的眼睛定位方法[J]. 张丹丹,张凌燕,彭延军. 山东科技大学学报(自然科学版). (03)[5]基于图像块复杂度和分段距离函数的人眼定位算法研究[J]. 程磊,郑鑫. 价值工程. (21)[6]双目标的无参考图像块内容识别仿真[J]. 李春阁,王新强. 计算机仿真. (11)[7]基于视频图像块模型的局部异常行为检测[J]. 程艳云,朱松豪,徐国政,梁志伟. 南京邮电大学学报(自然科学版). (01)[8]基于图像块分组的加密域可逆信息隐藏[J]. 程航,王子驰,张新鹏. 北京工业大学学报. (05)[9]图像块动态划分矢量量化[J]. 马文龙,余宁梅,银磊,高勇. 计算机辅助设计与图形学学报. (02)[10]一种新的图像中人眼定位方法[J]. 张金敏,孟萍. 兰州交通大学学报. (03)

如果觉得《Python基于OpenCV的人脸集合相似度检测系统(源码＆UI＆教程)》对你有帮助，请点赞、收藏，并留下你的观点哦！