1.前置知识点

（1）Opencv中矩形，绘制文本

https://mydreamambitious.blog.csdn.net/article/details/125392536

（2）Opencv中基础的知识点

https://mydreamambitious.blog.csdn.net/article/details/125351256

（3）face_recognition.face_locations(img1ToRGB)

face_locations(img, number_of_times_to_upsample=1, model="hog")。

img： 是一个 numpy.array 指定要查找人脸位置的图像矩阵；
number_of_times_to_upsample： 指定要查找的次数；默认值为1；
model ：指定查找的模式 'hog' 不精确但是在CPU上运算速度快 'CNN' 是一种深度学习的精确查找，但是速度慢。需要GPU/CUDA加速；
返回 值为人脸的位置 list  (top, right, bottom, left)；

（4）face_recognition.face_encodings(img1ToRGB,img1Face)

face_encodings(face_image, known_face_locations=None, num_jitters=1, model="small")。

face_image ：指定数据类型为numpy.array编码的人脸矩阵数据类型；
known_face_locations： 指定人脸位置 如果值为None 则默认按照 'Hog'模式 调用 _raw_face_locations 查找人脸位置；
num_jitters： 重新采样编码次数 默认为1 ；
model： 预测人脸关键点个数 large 为68个点 small 为 5个关键点，使用small更快；
返回 128维特征向量 list。

（5）face_recognition.compare_faces(encodeings,face_encoding)

compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6)。

known_face_encodings：  已经编码的人脸 list
face_encoding_to_check ：要检测的单个人脸
tolerance： 默认人脸对比距离长度对比方式np.linalg.norm(face_encodings - face_to_compare, axis=1)
返回值为 对比结果 list（如果匹配则为True，否则为false）

（6）face_recognition.face_distance(encodeings,face_encoding)

face_distance(face_encodings, face_to_compare)。

face_encodings:要比较的面部编码列表；
face_to_compare：要进行比较的面部编码列表。
返回值：要进行比较的面部和列表中的面部编码的距离。

---

2.正文

（1）首选读取“库”中的图片

这里的“库”可以是指一个文件夹，文件夹下面包含了要进行编码的图片。

import os
import cv2
import cvzone
import numpy as np
import face_recognition
from datetime import datetimeimg_path='imgFaces'
images=[]
#保存文件名，也就是图像中人物的名称
classNames=[]
#列出文件夹下的所有图片
myList=os.listdir(img_path)
# print(myList)
for pic in myList:img=cv2.imread(f'{img_path}/{pic}')images.append(img)classNames.append(os.path.splitext(pic)[0])

（2）对读取的所有图片进行编码

# print(classNames)
def findEncodeings(images):encodeList=[]for img in images:img=cv2.cvtColor(src=img,code=cv2.COLOR_BGR2RGB)encode=face_recognition.face_encodings(img)[0]encodeList.append(encode)return encodeList
encodeListKnown=findEncodeings(images)

（3）打开摄像头进行人脸识别

cap=cv2.VideoCapture(0)
while cap.isOpened():ret,frame=cap.read()frame=cv2.resize(src=frame,dsize=(750,600))frameRGB=cv2.cvtColor(src=frame,code=cv2.COLOR_BGR2RGB)#对摄像头读取的检测人脸facesLocate=face_recognition.face_locations(frameRGB)#进行特征编码faceEncoded=face_recognition.face_encodings(frameRGB,facesLocate)#遍历检测的人脸和库中读取的图片进行对比，计算其相似度for (top,right, bottom,left),face_encoding in zip(facesLocate,faceEncoded):#进行匹配matchs=face_recognition.compare_faces(encodeListKnown,face_encoding)#计算相似度distance=face_recognition.face_distance(encodeListKnown,face_encoding)min_distanceIndex=np.argmin(distance)#判断是否匹配name='Unknow'if matchs[min_distanceIndex]:name=classNames[min_distanceIndex]cv2.rectangle(img=frame,pt1=(left,top),pt2=(right,bottom),color=(0,255,0),thickness=3)cvzone.putTextRect(img=frame,text=name,pos=(left+3,top-10),scale=1,thickness=2,colorR=(0,255,0))cv2.imshow('frame',frame)key=cv2.waitKey(1)if key==27:break
cap.release()
cv2.destroyAllWindows()

注意这里是人脸识别，不是人脸检测。