“人脸识别”是人工智能的一个重要应用，听起来技术含量很高，貌似非常复杂，具体的实现也的确非常复杂，目前的算法一般都基于深度学习神经网络。但如果仅仅是使用识别功能，目前已有封装好的功能模块，并不需要训练模型，甚至不需要了解任何算法原理，只需调用Python的三方模块，几行代码即可实现人脸识别。
face_recognition是目前使用方法最简单，效果也非常好的人脸识别库，它的离线识别率高达99.38%。除了检测面部位置，它还能快速识别出面部特征：如眉毛、眼睛、鼻子、嘴，识别具体的人，对比两张脸的相似度等等。从后面例程可以看到，识别位置相当准确。
一、安装和原理
face_recognition底层基于dlib实现。dlib是一个人脸关键点检测库，它的核心功能由C++实现，适用于多个平台。不同于一般的Python三方模块，它在安装时需要编译，其Github上主要介绍了它在Linux和MacOS系统的安装方法。在Windows系统下编译安装过程比较复杂，需要安装Visual Studio的 Visual C++ for Linux环境，相关工具几十个G，安装步骤和注意事项也很多，因此还是建议使用Linux系统（尽管这可能让一些读者望而却步）。
在Linux下安装方法非常简单：
$ pip install face_recognition
Linux将自动安装face_recognition及其依赖的三方工具集。同时，建议下载源码：
$ git clone https://github.com/davisking/dlib.git
$ git clone https://github.com/ageitgey/face_recognition_models
$ git clone https://github.com/ageitgey/face_recognition
下载源码主要为了通过其示例学习三方模块的使用方法，以及了解底层调用的库和具体的实现方法，以及相关的文档。
dlib模块实现最核心的功能——人脸关键点检测，从源码中可以看到，它主要由C++语言实现，并提供了C++和Python接口，因此，可以在不同环境下开发和使用，目前也有开发者将其移植到android手机上。
face_recognition_models存储了训练好的模型，供face_recognition模块调用，模型的扩展名为“.dat”。
face_recognition模块的功能代码并不多，主要是封装了dlib，简化了开发者的调用步骤。其example中有很多有趣的例程，比如：虚化人脸（类似于马赛克效果），化妆，追踪视频中的人脸，甚至还启动WebService，识别用户上传的图片；还包括与机器学习模型KNN，SVM结合使用的例程，其原理也是用dlib提取人脸特征，再加入机器学习模型训练，根据需求，生成新的模型。可将其看作图像识别在人脸识别垂直领域的细化和封装。
dlib的使用方法并不复杂，而face_recognition则更加简单，face_recognition还提供了直接运行的两个工具：人脸检测face_dection和人脸识别face_recognition。
二、face_recognition例程
本例程调用face_recognition模块，实现了人脸识别，画眉、画眼线和涂口线的功能。
from PIL import Image, ImageDraw
import face_recognition
image = face_recognition.load_image_file("face2.png")
face_landmarks_list = face_recognition.face_landmarks(image)
for face_landmarks in face_landmarks_list:
color = [238,42,68]
pil_image = Image.fromarray(image)
d = ImageDraw.Draw(pil_image, 'RGBA')
print(face_landmarks.keys())
d.polygon(face_landmarks['left_eyebrow'], fill=(68, 54, 39, 50))
d.polygon(face_landmarks['right_eyebrow'], fill=(68, 54, 39, 50))
d.polygon(face_landmarks['top_lip'], fill=(color[0], color[1], color[2], 80))
d.polygon(face_landmarks['bottom_lip'], fill=(color[0], color[1], color[2], 80))
d.line(face_landmarks['left_eye'] + [face_landmarks['left_eye'][0]], fill=(0, 0, 0, 50), width=3)
d.line(face_landmarks['right_eye'] + [face_landmarks['right_eye'][0]], fill=(0, 0, 0, 50), width=3)
pil_image.show()
pil_image.save('out4.png')
三、dlib例程
本例程直接调用dlib模块，使用face_recognition_models中训练好的模型，识别人脸上的68个特征点。
import dlib
import cv2
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor('/exports/git/face_recognition_models/face_recognition_models/models/shape_predictor_68_face_landmarks.dat')
img = cv2.imread("/tmp/face2.png")
dets = detector(img, 1)
for k, d in enumerate(dets):
print("Detection {}: Left: {} Top: {} Right: {} Bottom: {}".format(
k, d.left(), d.top(), d.right(), d.bottom()))
shape = predictor(img, d)
for index, pt in enumerate(shape.parts()):
print('Part {}: {}'.format(index, pt))
pt_pos = (pt.x, pt.y)
cv2.circle(img, pt_pos, 1, (255, 0, 0), 2)
font = cv2.FONT_HERSHEY_SIMPLEX
cv2.putText(img, str(index+1),pt_pos,font, 0.3, (0, 0, 255), 1, cv2.LINE_AA)
cv2.imshow('img', img)
k = cv2.waitKey()
cv2.destroyAllWindows()
四、总结
对于大多数的Python程序，开发者需要的90%功能三方模块都已经实现完成，很多功能都已非常成熟，剩余的10%由开发者根据需求进行适配即可完成。这使得开发者在短时间内即可实现基本功能，并且看起来非常强大，但是后期效果提升比较困难。
个人觉得：人脸识别工具真的很适合美妆卖家，买家上传一张相片，合成各种色号的效果；在视频通话过程中察言观色；图片识别，刷脸支付，美颜相机；稍加一些艺术处理，自动生成漫画等等。
网友评论