用Python实现一个简单的——人脸相似度对比

人脸相似度对比是计算机视觉领域的经典任务，广泛应用于身份验证、人脸检索、社交娱乐等场景。本文将基于Python，结合OpenCV和Dlib库，实现一个简单但完整的人脸相似度对比流程，涵盖人脸检测、特征提取和相似度计算三个核心环节。

一、技术选型与工具准备

实现人脸相似度对比需要解决两个关键问题：如何从图像中定位人脸，以及如何量化人脸之间的相似性。为此，我们选择以下工具：

1. OpenCV：开源计算机视觉库，提供高效的图像处理功能，包括人脸检测。
2. Dlib：包含预训练的人脸检测器和特征提取模型，支持68点人脸关键点检测和128维人脸特征编码。
3. NumPy：科学计算库，用于处理特征向量和计算相似度。

安装依赖库的命令如下：

pip install opencv-python dlib numpy

二、人脸检测与对齐

人脸检测是第一步，目的是从图像中裁剪出人脸区域。Dlib提供的基于HOG（方向梯度直方图）的人脸检测器，在CPU上即可实现实时检测。

1. 加载检测器

import dlib
detector = dlib.get_frontal_face_detector()

get_frontal_face_detector()返回一个预训练的检测器对象，能够检测正面人脸。

2. 检测人脸并获取边界框

def detect_faces(image_path):
    img = dlib.load_rgb_image(image_path)
    faces = detector(img, 1)  # 第二个参数为上采样次数，提高小脸检测率
    return [(face.left(), face.top(), face.right(), face.bottom()) for face in faces]

此函数接收图像路径，返回检测到的人脸边界框列表，每个边界框由(左, 上, 右, 下)坐标定义。

3. 人脸对齐（可选但推荐）

对齐能减少姿态变化对特征提取的影响。Dlib的68点关键点检测器可用于对齐：

predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")  # 需下载模型文件
def align_face(img, face_rect):
    shape = predictor(img, dlib.rectangle(*face_rect))
    # 计算两眼中心，构建旋转矩阵（代码略）
    # 返回对齐后的人脸图像

实际应用中，可直接使用检测到的人脸区域，或通过仿射变换进行简单对齐。

三、人脸特征提取

特征提取是将人脸图像转换为数值向量的过程，要求向量能捕捉人脸的独特特征，且对光照、表情等变化鲁棒。Dlib的face_recognition_model_v1提供了128维的特征编码。

1. 加载特征提取模型

face_encoder = dlib.face_recognition_model_v1("dlib_face_recognition_resnet_model_v1.dat")  # 需下载模型文件

2. 提取人脸特征

def extract_features(img, face_rect):
    landmarks = predictor(img, dlib.rectangle(*face_rect))
    return numpy.array(face_encoder.compute_face_descriptor(img, landmarks))

此函数接收图像和人脸边界框，返回128维的浮点数向量。对于多张人脸，需遍历所有边界框。

四、相似度计算与评估

提取特征后，需定义相似度度量。常用方法包括：

1. 欧氏距离：两向量间的直线距离，值越小越相似。
2. 余弦相似度：两向量夹角的余弦值，范围[-1, 1]，值越大越相似。

1. 欧氏距离实现

def euclidean_distance(feat1, feat2):
    return numpy.linalg.norm(feat1 - feat2)

2. 余弦相似度实现

def cosine_similarity(feat1, feat2):
    dot_product = numpy.dot(feat1, feat2)
    norm1 = numpy.linalg.norm(feat1)
    norm2 = numpy.linalg.norm(feat2)
    return dot_product / (norm1 * norm2)

3. 相似度阈值设定

经验表明，Dlib特征的欧氏距离小于0.6通常表示同一个人，余弦相似度大于0.5则可能为同一人。实际应用中，需通过实验确定适合的阈值。

五、完整代码示例

将上述步骤整合，实现一个完整的对比流程：

import dlib
import numpy as np
# 初始化模型
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")
face_encoder = dlib.face_recognition_model_v1("dlib_face_recognition_resnet_model_v1.dat")
def compare_faces(img_path1, img_path2, threshold=0.6):
    # 加载并检测人脸
    img1 = dlib.load_rgb_image(img_path1)
    img2 = dlib.load_rgb_image(img_path2)
    faces1 = detector(img1, 1)
    faces2 = detector(img2, 1)
    if len(faces1) != 1 or len(faces2) != 1:
        return False, "需每张图像包含且仅包含一张人脸"
    # 提取特征
    feat1 = extract_features(img1, faces1[0])
    feat2 = extract_features(img2, faces2[0])
    # 计算相似度
    dist = np.linalg.norm(feat1 - feat2)
    similar = dist < threshold
    return similar, f"欧氏距离: {dist:.4f}, 判断结果: {'相同' if similar else '不同'}"
def extract_features(img, face_rect):
    landmarks = predictor(img, dlib.rectangle(*face_rect))
    return np.array(face_encoder.compute_face_descriptor(img, landmarks))
# 示例调用
result, message = compare_faces("person1.jpg", "person2.jpg")
print(message)

六、优化与扩展建议

1. 性能优化：

   • 使用GPU加速特征提取（需支持CUDA的Dlib版本）。
   • 对视频流，可每N帧检测一次，减少计算量。

2. 功能扩展：

   • 批量对比：支持文件夹内多张图像与目标图像的对比。
   • 实时对比：结合摄像头捕获，实现实时人脸验证。

3. 准确性提升：

   • 收集更多样本，通过SVM等分类器训练二分类模型，替代简单的距离阈值。
   • 结合活体检测技术，防止照片攻击。

七、总结与展望

本文实现了一个基于Python的简单人脸相似度对比系统，核心步骤包括人脸检测、特征提取和相似度计算。尽管实现简洁，但已涵盖关键技术点。实际应用中，需根据场景调整阈值、优化性能，并考虑安全性（如数据加密）。未来，可探索更先进的模型（如ArcFace）和端到端解决方案，进一步提升准确性和鲁棒性。

通过本文，读者不仅能掌握基础实现方法，还能获得优化和扩展的思路，为实际项目开发提供有力支持。