概述
如之前的文章所述，笔者的项目需求是：公司预先将员工的照片录入系统，此后员工访问系统时，可以由前端的照相设备采集面孔，使用人脸识别技术，找到员工对应的身份信息，实现 刷脸登录 的功能，此外，最好身份信息和照片都在系统内，尽量不使用互联网服务。
Face Recognition 库简介
经过前面对 Face Recognition 库的学习，实现了通过Python脚本实现命令行对2张人脸的比对与识别。再次说明， Face Recognition 库的主要接口API为：
- 人脸检测：
face_recognition.face_locations(img, number_of_times_to_upsample=1, model="hog") - 检测面部特征点：
face_landmarks(face_image, face_locations=None, model="large") - 给脸部编码：
face_encodings(face_image, known_face_locations=None, num_jitters=1) - 从编码中找出人的名字：
compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6)
Face Recognition 库简单来说就是：给定一张照片，它可以从中框出人脸，并将人脸提取为特征向量。
人脸查找
关键在于怎么实现人脸的比对。如果仅仅是2张照片，库中给出的examples 是通过对特征向量求距离实现的。
在这个过程中，根据照片求特征向量是较慢的，而向量距离是很快的，因为它只是执行了简单矩阵计算，这步很快。
那么如何实现已有100名员工的照片，传入一张新照片，查找他是谁呢？
我也Google了网上其他网友实现的基于Face Recognition 库的人脸查找，他们实现的方式大多扩展了一下2张照片比对的情形，比如face-recognition-service。它的逻辑就是：读取图片库中的100张照片，逐照片分析得出特征向量1-100，形成特征向量矩阵M，然后对新照片，得出特征向量A，计算矩阵M和A的距离，选距离小于阈值的那个向量，反求对应的人。
人脸查找逻辑优化
前面的逻辑是可以的，唯一问题在于新增人脸后特征向量增加怎么处理。有的项目是再次执行预处理过程，求特征矩阵这步很耗时，求距离矩阵这步非常快速。
所以我将特征向量存入redis数据库，查找时，直接从数据库取出人名和他对应的特征向量，然后组成特征矩阵，计算相似度（距离矩阵）
代码实现
本代码基于 Python3 ，使用的库有 flask、redis、numpy 以及 face_recognition。
#!/usr/bin/python
# -*- coding: utf-8 -*-
from flask import Flask, Response, request, jsonify
import redis
import face_recognition
import numpy as np
app = Flask(__name__)
app.config['JSON_AS_ASCII'] = False
pool = redis.ConnectionPool(host='127.0.0.1', port=6379)
# 首页
@app.route('/', methods=['GET'])
def index():
return '''
<!doctype html>
<title>人脸服务</title>
<a href="upload">人脸录入</a><br>
<a href="search">人脸搜索</a>
'''
# 人脸录入页
@app.route('/upload', methods=['GET'])
def uploadHtml():
return '''
<!doctype html>
<title>人脸录入</title>
<h1>人脸录入</h1>
<form method="POST" action="upload" enctype="multipart/form-data">
姓名：<input type="text" name="name"><br>
<input type="file" name="file">
<input type="submit" value="提交">
</form>
'''
# 人脸录入
@app.route('/upload', methods=['POST'])
def upload():
if 'file' not in request.files:
return jsonify({'code': 500, 'msg': '没有文件'})
file = request.files['file']
name = request.form['name']
image = face_recognition.load_image_file(file)
face_locations = face_recognition.face_locations(image)
if len(face_locations) != 1:
return jsonify({'code': 500, 'msg': '人脸数量有误'})
face_encodings = face_recognition.face_encodings(image, face_locations)
# 连数据库
r = redis.Redis(connection_pool=pool)
# 录入人名-对应特征向量
r.set(name, face_encodings[0].tobytes())
return jsonify({'code': 0, 'msg': '录入成功'})
# 人脸搜索页
@app.route('/search', methods=['GET'])
def searchHtml():
return '''
<!doctype html>
<title>人脸搜索</title>
<h1>人脸搜索</h1>
<form method="POST" enctype="multipart/form-data">
<input type="file" name="file">
<input type="submit" value="提交">
</form>
'''
# 人脸搜索
@app.route('/search', methods=['POST'])
def search():
if 'file' not in request.files:
return jsonify({'code': 500, 'msg': '没有文件'})
file = request.files['file']
image = face_recognition.load_image_file(file)
face_locations = face_recognition.face_locations(image)
if len(face_locations) != 1:
return jsonify({'code': 500, 'msg': '人脸数量有误'})
face_encodings = face_recognition.face_encodings(image, face_locations)
# 连数据库
r = redis.Redis(connection_pool=pool)
# 取出所有的人名和它对应的特征向量
names = r.keys()
faces = r.mget(names)
# 组成矩阵，计算相似度（欧式距离）
matches = face_recognition.compare_faces([np.frombuffer(x) for x in faces], face_encodings[0])
return jsonify({'code': 0, 'names': [str(name, 'utf-8') for name, match in zip(names, matches) if match]})
if __name__ == '__main__':
app.run(host='0.0.0.0', port=5001, debug=True)
测试
- 将代码保存为
face.py - 通过命令启动代码
python3 face.py - 通过浏览器访问
http://127.0.0.1:5001就可以访问服务
