Python案例如何实现人脸识别？

wen python案例 2026-06-18 5

Python案例如何实现人脸识别？从零搭建你的智能识别系统

目录导读

人脸识别技术基础 – 原理与主流库选择
环境搭建与依赖安装 – Python+OpenCV+face_recognition
核心代码实现 – 检测、编码、比对全流程
完整案例：实时摄像头人脸识别 – 附可运行脚本
常见问题与优化技巧 – 提高识别率与性能
问与答 – 解决新手最困惑的3个问题

人脸识别技术基础：原理与主流库选择

在开始写代码前，我们得先明白人脸识别到底在做什么，它分两步：人脸检测（找到脸在哪）和人脸识别（这是谁的脸），传统方法基于Haar特征和LBP，但现代Python案例几乎都采用深度学习模型——尤其是基于dlib的face_recognition库，它封装了ResNet残差网络，能输出128维的人脸特征向量，然后用向量距离（欧氏距离）判断是否为同一人。

Python案例如何实现人脸识别？

主流库对比：

OpenCV：提供基础检测（Haar Cascade），识别能力弱，但图像处理快
face_recognition：基于dlib，识别精度高（准确率99.38%），新手友好
DeepFace：轻量级API，支持VGG-Face、Google FaceNet等

本案例推荐face_recognition，因为它一行代码就能完成人脸编码,且文档丰富。

环境搭建与依赖安装

首先确保你的Python版本≥3.7,在终端执行以下命令：

pip install opencv-python
pip install face_recognition
pip install numpy

注意：face_recognition库依赖dlib，Windows用户如果编译dlib失败，可以改用预编译包：pip install dlib-bin,macOS用户需要先安装XCode命令行工具。

问：为什么安装face_recognition后import报错？ 答：最常见原因是缺少dlib，请检查是否安装了正确版本，Linux用户需安装cmake和libboost：sudo apt-get install cmake libboost-all-dev。

核心代码实现：检测、编码、比对全流程

1 加载已知人脸（注册数据库）

我们假设你有一张已知人物（张三”）的照片zhangsan.jpg。

import face_recognition
# 加载图片并编码（128维向量）
known_image = face_recognition.load_image_file("zhangsan.jpg")
zhangsan_encoding = face_recognition.face_encodings(known_image)[0]
# 创建已知人脸列表
known_face_encodings = [zhangsan_encoding]
known_face_names = ["张三"]

2 检测未知图片中的人脸

unknown_image = face_recognition.load_image_file("test.jpg")
# 找到所有人脸位置
face_locations = face_recognition.face_locations(unknown_image)
# 对人脸编码
face_encodings = face_recognition.face_encodings(unknown_image, face_locations)

3 比对：判断是不是张三

for (top, right, bottom, left), face_encoding in zip(face_locations, face_encodings):
    matches = face_recognition.compare_faces(known_face_encodings, face_encoding)
    name = "未知"
    if True in matches:
        first_match_index = matches.index(True)
        name = known_face_names[first_match_index]
    print(f"检测到人脸：{name}")

原理：compare_faces默认使用欧氏距离，阈值设为0.6，小于0.6则判定为同一人，你可以通过第二个参数tolerance调整敏感度（越小越严格）。

完整案例：实时摄像头人脸识别

下面是一个可直接运行的脚本，实现通过摄像头实时识别“张三”：

import cv2
import face_recognition
# 预先加载已知人脸
known_image = face_recognition.load_image_file("zhangsan.jpg")
zhangsan_encoding = face_recognition.face_encodings(known_image)[0]
known_encodings = [zhangsan_encoding]
known_names = ["张三"]
# 打开摄像头
video_capture = cv2.VideoCapture(0)
while True:
    ret, frame = video_capture.read()  # 读取每一帧
    if not ret:
        break
    # 缩小帧以加快处理速度（可选）
    small_frame = cv2.resize(frame, (0, 0), fx=0.25, fy=0.25)
    rgb_small_frame = cv2.cvtColor(small_frame, cv2.COLOR_BGR2RGB)
    # 检测并编码
    face_locations = face_recognition.face_locations(rgb_small_frame)
    face_encodings = face_recognition.face_encodings(rgb_small_frame, face_locations)
    for face_encoding in face_encodings:
        matches = face_recognition.compare_faces(known_encodings, face_encoding)
        name = "未知"
        if True in matches:
            first_match_index = matches.index(True)
            name = known_names[first_match_index]
        # 在原始帧上画框
        for (top, right, bottom, left) in face_locations:
            # 因为之前缩小了4倍，坐标要还原
            top *= 4
            right *= 4
            bottom *= 4
            left *= 4
            cv2.rectangle(frame, (left, top), (right, bottom), (0, 255, 0), 2)
            cv2.putText(frame, name, (left + 6, bottom - 6), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 1)
    cv2.imshow('人脸识别系统', frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break
video_capture.release()
cv2.destroyAllWindows()

运行说明：将zhangsan.jpg放在脚本同目录下，运行后摄像头会实时标注人脸并显示名字，按q键退出。

常见问题与优化技巧

1 识别率太低怎么办？

调整tolerance：compare_faces的默认阈值0.6对你可能过严，尝试tolerance=0.5提升准确率
使用更高分辨率照片：已知人脸尽量用正面、光线均匀的照片
增加多角度样本：为同一人存储多张不同角度的编码，提高鲁棒性

2 处理速度太慢（卡顿）

降低帧率：不必每帧都识别，每隔3帧处理一次
缩小图像：如上例中fx=0.25，处理速度提升4倍
使用GPU加速：安装GPU版dlib（需CUDA支持）

3 多人场景出错

脸太小：保证人脸占据画面至少50×50像素
遮挡：face_recognition对口罩不太敏感，可以考虑训练专用模型

问与答：解决新手最困惑的3个问题

Q1：为什么我的代码只能识别一个人，不能添加多个已知人脸？

A：将每个人的编码都append到known_face_encodings列表即可。

known_face_encodings = []
known_face_names = []
# 添加张三
known_face_encodings.append(zhangsan_encoding)
known_face_names.append("张三")
# 添加李四
lisi_image = face_recognition.load_image_file("lisi.jpg")
lisi_encoding = face_recognition.face_encodings(lisi_image)[0]
known_face_encodings.append(lisi_encoding)
known_face_names.append("李四")

Q2：能不能不存储图片，只存特征向量？

A：完全可以！将zhangsan_encoding（numpy数组）保存为.npy文件：

import numpy as np
np.save("zhangsan_encoding.npy", zhangsan_encoding)

加载时用np.load()即可,这样就不依赖原始图片了。

Q3：我的摄像头画面是黑白的，影响识别吗？

A：face_recognition内部会转为RGB处理，黑白图像会影响检测准确率，建议保持彩色摄像头，或先进行色彩增强，如果只能用黑白，可以降低tolerance到0.5。

通过这个Python案例，你已经学会了从环境搭建、人脸编码、实时识别到性能优化的全流程，这套方法可以直接用于门禁考勤、访客统计等场景，如果你需要更高级的功能（如活体检测），可以在本框架上集成眨眼检测或红外摄像头，核心技术在于特征向量的比对——你完全可以复用这个逻辑扩展到其他物体识别任务上。

（本文代码已在Windows 10+Python 3.10环境下测试通过，如有问题欢迎在评论区交流。）