計算機視覺應用開發(fā)課件：人臉識別

人臉識別通用目標檢測概述01任務目標檢測的意義02任務目標檢測的常用方法03任務學習目標了解目標檢測的概念和意義了解常用的目標檢測方法1概述1概述

在計算機視覺眾多的技術領域中，目標檢測（ObjectDetection）也是一項非?；A的任務，圖像分割、物體追蹤、關鍵點檢測等通常都要依賴于目標檢測。在目標檢測時，由于每張圖像中物體的數(shù)量、大小及姿態(tài)各有不同，也就是非結構化的輸出。在計算機視覺中，圖像分類、目標檢測和圖像分割都屬于基礎、也是目前發(fā)展最為迅速的3個領域，下面具體看一下這幾個任務之間的區(qū)別。圖像分類：輸入圖像往往僅包含一個物體，目的是判斷每張圖像是什么物體，是圖像級別的任務，相對簡單，發(fā)展也最快。目標檢測：輸入圖像中往往有很多物體，目的是判斷出物體出現(xiàn)的位置與類別，是計算機視覺中非常核心的一個任務。圖像分割：輸入與物體檢測類似，但是要判斷出每一個像素屬于哪一個類別，屬于像素級的分類。圖像分割與目標檢測任務之間有很多聯(lián)系，模型也可以相互借鑒。1概述

目標檢測技術，通常是指在一張圖像中檢測出物體出現(xiàn)的位置及對應的類比，要求檢測器輸出5個value：物體類別class、boundingbox左上角x坐標x、boundingbox左上角y坐標y、boundingbox右下角x坐標x、boundingbox右下角y坐標y。如右圖所示，目標檢測能夠大致的識別出圖片的物體以及物體所在位置并標注出來。2目標檢測的意義目標檢測的意義目標檢測是計算機視覺的一個熱門研究方向，廣泛應用于自主導航，智能視頻監(jiān)控，工業(yè)檢測，航空航天等諸多領域。通過計算機視覺降低對人力資源的消耗，具有重要的科研意義。同時，目標檢測也是身份識別領域的基礎，對姿勢估計以及將要學到的人臉識別有著不可分割的聯(lián)系。23目標檢測的常用方法目標檢測的常用方法目標檢測大致分為兩個方向：基于傳統(tǒng)的目標檢測算法和基于深度學習的目標檢測算法。1.基于傳統(tǒng)的目標檢測算法在利用深度學習做物體檢測之前，傳統(tǒng)算法對于目標檢測通常分為3個階段：區(qū)域選取、特征提取和體征分類。3目標檢測的常用方法2.基于深度學習的目標檢測算法目標檢測任務可分為兩個關鍵的子任務：目標分類和目標定位。目標分類負責判斷所選區(qū)域是否有感興趣類別的物體出現(xiàn)，輸出一系列帶分數(shù)的標簽，表明感興趣的物體在所選區(qū)域出現(xiàn)的可能性。目標定位負責確定所選區(qū)域感興趣類別物體的位置和范圍，通常存儲在稱為BoundingBox中?；谏疃葘W習的目標檢測算法大概分為兩類：one-stage目標檢測算法，two-stage目標檢測算法。3目標檢測的常用方法one-stage目標檢測算法可以在一個階段內直接產生物體的類別概率和位置坐標值，相比于two-stage目標檢測算法不需要產生候選階段，將目標框的定位問題轉化為回歸（regression）問題，整體流程比較簡單。one-stage在神經(jīng)網(wǎng)絡的尾部展開，成為classification+regression模式。常見的one-stage算法有YOLO、SSD等等。3two-stage算法在第一步特征提取后會生成一個有可能包含待檢測物體的候選區(qū)域（RegionProposal，RP），第二步通過卷積神經(jīng)網(wǎng)絡進行分類和定位回歸。常見的two-stage算法有R-CNN（區(qū)域卷積神經(jīng)網(wǎng)絡）、SPP-Net、FastR-CNN（快速區(qū)域卷積神經(jīng)網(wǎng)絡）、FasterR-CNN（更快區(qū)域卷積神經(jīng)網(wǎng)絡）等，此類算法以準確率高為特點。ThankYOU!基于YOLOv3的目標檢測案例描述01任務案例目標02任務案例分析03任務案例實施04任務1案例描述1案例描述通過上述對目標檢測方法的講解，下面將對一個實例進行實操練習。本案例將學習如何使用預訓練的YOLOv3模型權重實現(xiàn)測試圖片中的物體檢測，其中YOLOv3是屬于目標檢測深度學習中的one-stage算法。2案例目標案例目標了解YOLOv3目標檢測模型的網(wǎng)絡組成；調用目標檢測中YOLOv3預訓練模型；使用YOLOv3模型對圖片進行目標檢測。23案例分析案例分析YOLOv3是YOLO(YouOnlyLookOnce)系列目標檢測算法中的第三版，相比之前的算法，尤其是針對小目標，精度有顯著提升。YOLOv3算法使用的骨干網(wǎng)絡是Darknet53。3Darknet53網(wǎng)絡的具體結構如圖所示，在ImageNet圖像分類任務上取得了很好的成績。在檢測任務中，將圖中C0后面的平均池化、全連接層和Softmax去掉，保留從輸入到C0部分的網(wǎng)絡結構，作為檢測模型的基礎網(wǎng)絡結構，也稱為骨干網(wǎng)絡。YOLOv3模型會在骨干網(wǎng)絡的基礎上，再添加檢測相關的網(wǎng)絡模塊。3案例分析YOLOv3算法的基本思想可以分成兩部分：（1）按一定規(guī)則在圖片上產生一系列的候選區(qū)域，然后根據(jù)這些候選區(qū)域與圖片上物體真實框之間的位置關系對候選區(qū)域進行標注。跟真實框足夠接近的那些候選區(qū)域會被標注為正樣本，同時將真實框的位置作為正樣本的位置目標。偏離真實框較大的那些候選區(qū)域則會被標注為負樣本，負樣本不需要預測位置或者類別。（2）使用卷積神經(jīng)網(wǎng)絡提取圖片特征并對候選區(qū)域的位置和類別進行預測。這樣每個預測框就可以看成是一個樣本，根據(jù)真實框相對它的位置和類別進行了標注而獲得標簽值，通過網(wǎng)絡模型預測其位置和類別，將網(wǎng)絡預測值和標簽值進行比較，就可以建立起損失函數(shù)。4案例實施4案例實施實例化一個yolo對象，調用detect_objects方法，該方法會返回三個值：bbox（位置坐標信息），label（所屬類別標簽）以及conf（配置信息）。yolo=YOLO(weights,config,labels)bbox,label,conf=yolo.detect_objects(img)調用draw_bbox方法會在圖片上畫框并標注所屬類別。yolo.draw_bbox(img,bbox,label,conf)YOLOv3的調用方法：ThankYOU!人臉檢測人臉檢測概述01任務人臉檢測方法02任務人臉檢測評價指標03任務學習目標掌握人臉檢測的基本概念掌握人臉檢測的方法掌握人臉檢測的評價指標1人臉檢測概述1人臉檢測概述從問題的領域來看，人臉檢測屬于目標檢測領域，目標檢測通常有兩大類：通用目標檢測：檢測圖像中多個類別的目標，比如ILSVRC2017的VID任務檢測200類目標，VOC2012檢測20類目標，通用目標檢測核心是n(目標)+1(背景)=n+1分類問題。這類檢測通常模型比較大，速度較慢。特定類別目標檢測：僅檢測圖像中某一類特定目標，如人臉檢測，行人檢測，車輛檢測等等，特定類別目標檢測核心是1(目標)+1(背景)=2分類問題。這類檢測通常模型比較小，速度要求非常高。從發(fā)展歷史來看，深度學習在其中的作用非常明顯：非深度學習階段：此階段的人臉檢測主要有兩個應用于人臉的特征，Haar特征和Hog特征，提取特征后在由分類器分類。深度學習階段：和目標檢測相同，應用于目標檢測的算法也適用于人臉檢測。2人臉檢測方法人臉檢測方法機器學習中基于Haar特征和Hog特征實現(xiàn)人臉檢測任務2Haar特征：也稱Haar-like特征，分為四類：邊緣特征、線性特征、中心特征和對角線特征，組合為特征模板。特征模板內有白色和黑色兩種矩形，并定義該模板的特征值為白色矩形像素和減去黑色矩形像素和。但矩形特征只對一些簡單的圖形結構，如邊緣、線段較敏感，所以只能描述特定走向（水平、垂直、對角）的結構。通過改變特征模板的大小和位置，可在圖像子窗口中窮舉出大量的特征。矩形特征可位于圖像任意位置，大小也可以任意改變，所以矩形特征值是受矩形模版類別、矩形位置和矩形大小這三個因素的影響。故類別、大小和位置的變化，使得很小的檢測窗口含有非常多的矩形特征。人臉檢測方法2但矩形特征只對一些簡單的圖形結構，如邊緣、線段較敏感，所以只能描述特定走向（水平、垂直、對角）的結構。對于圖中的A,B和D這類特征，特征數(shù)值計算公式為：

。而對于C來說，計算公式如下：

，之所以將黑色區(qū)域像素和乘以2，是為了使兩種矩形區(qū)域中像素數(shù)目一致。通常希望矩形放到人臉區(qū)域計算出來的特征值和放到非人臉區(qū)域計算出來的特征值差別越大越好，這樣就可以用來區(qū)分人臉和非人臉。人臉檢測方法2通過改變特征模板的大小和位置，可在圖像子窗口中窮舉出大量的特征。上圖的特征模板稱為“特征原型”，特征原型在圖像子窗口中擴展（平移伸縮）得到的特征稱為“矩形特征”，矩形特征的值稱為“特征值”。圖中即使用兩個Haar矩形特征，表示出人臉的某些特征。比如中間一幅表示眼睛區(qū)域的顏色比臉頰區(qū)域的顏色深，右邊一幅表示鼻梁兩側比鼻梁的顏色要深。同樣，其他目標，如眼睛等，也可以用一些矩形特征來表示。使用特征比單純地使用像素點具有很大的優(yōu)越性，并且速度更快。人臉檢測方法2Hog特征：Hog特征又叫方向梯度直方圖特征（HistogramofOrientedGradient,HOG）。Hog特征是一種在計算機視覺和圖像處理中用來進行物體檢測的特征描述子。它通過計算和統(tǒng)計圖像局部區(qū)域的梯度方向直方圖來構成特征。優(yōu)點：（1）由于HOG是在圖像的局部方格單元上操作，所以它對圖像幾何和光學的形變都能保持很好的不變性，這兩種形變只會出現(xiàn)在更大的空間領域上。（2）在粗的空域抽樣、精細的方向抽樣以及較強的局部光學歸一化等條件下，只要行人大體上能夠保持直立的姿勢，可以容許行人有一些細微的肢體動作，這些細微的動作可以被忽略而不影響檢測效果。因此HOG特征是特別適合于做圖像中的人體檢測的。人臉檢測方法2HOG特征提取方法就是將一個image（你要檢測的目標或者掃描窗口）：（1）灰度化（將圖像看作一個x,y,z（灰度）的三維圖像）；（2）采用Gamma校正法對輸入圖像進行顏色空間的標準化（歸一化），目的是調節(jié)圖像的對比度，降低圖像局部的陰影和光照變化所造成的影響，同時可以抑制噪音的干擾；（3）計算圖像每個像素的梯度（包括大小和方向），主要是為了捕獲輪廓信息，同時進一步弱化光照的干擾；（4）將圖像劃分成小cells（例如6×6像素/cell）；（5）統(tǒng)計每個cell的梯度直方圖（不同梯度的個數(shù)），即可形成每個cell的descriptor；（6）將每幾個cell組成一個block（例如3×3個cell/block），一個block內所有cell的特征descriptor串聯(lián)起來便得到該block的HOG特征descriptor；（7）將圖像image內的所有block的HOG特征descriptor串聯(lián)起來就可以得到該image（要檢測的目標）的HOG特征descriptor了。這個就是最終的可供分類使用的特征向量了。3人臉檢測的評價指標人臉檢測的評價指標3評價人臉檢測效果的好壞，常用三個指標：召回率，誤檢數(shù)和檢測速度。召回率(recall)：檢測器能檢測出來的人臉數(shù)量的比例就是召回率recall。檢測器檢測出來的矩形框越接近人工標注的矩形框，說明檢測結果越好，通常交并比IoU大于0.5就認為是檢測出來了，所以recall=檢測出來的人臉數(shù)量/圖像中總人臉數(shù)量，其中交并比IoU=框與框的交集區(qū)域/框與框的并集區(qū)域。誤檢數(shù)(falsepositives)：通常用檢測錯誤的絕對數(shù)量作為誤檢數(shù)falsepositives指標。與recall相對，檢測器檢測出來的矩形框與任何人工標注框的IoU都小于0.5，則認為這個檢測結果是誤檢，誤檢越少越好。檢測速度(speed)：通常希望檢測單張圖像所用的時間越短越好，當然在測試圖像及測試環(huán)境相同的前提下。檢測器檢測一幅圖像所用的時間越少越好，通常用幀率(frame-per-second，F(xiàn)PS)來表示。ThankYOU!基于Haar特征的人臉檢測案例描述01任務案例目標02任務案例分析03任務案例實施04任務1案例描述1案例描述本案例將學習如何使用OpenCV自帶的Haar特征檢測器來實現(xiàn)檢測人臉，Haar-like特征檢測器只遍歷一次圖像就可以求出圖像中所有區(qū)域像素和，大大的提高了圖像特征值計算的效率。2案例目標案例目標溫習Haar特征檢測的基礎知識和操作流程；調用OpenCV中的Haar特征檢測器；使用Haar特征檢測器對圖片進行人臉檢測。23案例分析案例分析3OpenCV的基礎使用在第一單元已經(jīng)學習過了，其實，OpenCV還可以實現(xiàn)更多功能，比如，人臉檢測。在OpenCV的庫文件中會包含一個文件夾haarcascades，里面有許多xml文件，這些文件可用于檢測靜止圖像，視頻和攝像頭所得到圖像中的人臉，笑容，眼睛等。OpenCV中的庫文件目錄如圖所示：4案例實施4案例實施使用自帶的檢測器需要通過CascadeClassifier()方法來導入，由于該任務是檢測人臉，所以導入haarcascade_frontalface_default.xml默認的正臉檢測器即可。classifier=cv2.CascadeClassifier("data/opencv_xml/haarcascade_frontalface_default.xml")通常Haar特征反映的是圖像的灰度變化情況，所以先將圖片轉化為灰度圖。接著傳給detectMultiScale(image,scaleFactor,minNeighbors,minSize)，返回的是包含人臉坐標的列表，其中image表示的是要檢測的輸入圖像，scaleFactor表示每次圖像尺寸減小的比例，minNeighbors表示每一個目標至少要被檢測到3次才算是真的目標(因為周圍的像素和不同的窗口大小都可以檢測到人臉)，minSize為目標的最小尺寸。faceRects=classifier.detectMultiScale(gray,scaleFactor=1.2,minNeighbors=3,minSize=(32,32))#返回人臉矩形列表Haar正臉檢測器的調用方法：ThankYOU!基于Hog的人臉檢測案例描述01任務案例目標02任務案例分析03任務案例實施04任務1案例描述1案例描述本案例將通過dlib庫來實現(xiàn)Hog特征的人臉檢測。Hog特征的人臉檢測是目前計算機視覺、模式識別領域很常用的一種描述圖像局部紋理的特征。它的主要思想是在一副圖像中，局部目標的表象和形狀能夠被梯度或邊緣的方向密度分布很好地描述。其本質為：梯度的統(tǒng)計信息，而梯度主要存在于邊緣的地方。2案例目標案例目標溫習Hog特征檢測的基礎知識和操作流程；調用dlib庫中的Hog特征檢測器；使用Hog特征檢測器對圖片進行人臉檢測。23案例分析案例分析dlib實現(xiàn)的人臉檢測方法便是基于圖像的Hog特征，綜合支持向量機算法實現(xiàn)的人臉檢測功能，該算法的大致思路如下：（1）對正，負樣本(即包含人臉的圖像)數(shù)據(jù)集提取Hog特征，得到Hog特征描述子；（2）利用支持向量機算法訓練正負樣本，顯然這是一個二分類問題，可以得到訓練后的模型；（3）利用該模型進行負樣本難例檢測，也就是難分樣本挖掘(hard-negtivemining)，以便提高最終模型的分類能力。具體思路為：對訓練集里的負樣本不斷進行縮放，直至與模板匹配位置。通過模板滑動窗口搜索匹配（該過程即多尺度檢測過程），如果分類器誤檢出非人臉區(qū)域則截取該部分圖像加入到負樣本中；（4）集合難例樣本重新訓練模型，反復如此得到最終分類模型。34案例實施4案例實施加載人臉正臉分類器。detector=dlib.get_frontal_face_detector()dets=detector(gray,1)dlib庫中人臉正臉分類器的調用方法：ThankYOU!人臉識別人臉識別的發(fā)展歷程01任務人臉識別的行業(yè)前景02任務人臉識別的常用方法03任務學習目標了解人臉識別的發(fā)展歷程和行業(yè)前景掌握人臉識別的常見方法1人臉識別的發(fā)展歷程1人臉識別的發(fā)展歷程人臉識別，是基于人的臉部特征信息進行身份識別的一種生物識別技術。人臉識別屬于目標檢測的一個擴展分支，它不僅僅需要檢測出人臉的位置，還需要對人臉進行識別出真實身份。人臉識別技術的發(fā)展大致經(jīng)歷了三個階段：早期研究階段，蓬勃發(fā)展階段，實際應用階段。早期研究階段：在此期間人臉識別的研究僅被當作為一個簡單的模式識別問題，主要是基于人臉本身的集合特征來實現(xiàn)識別，包括眼睛，鼻子，耳朵，下巴，額頭等具體人臉圖像的視覺特征之間的幾何聯(lián)系，并使用計算機來建立較高質量的人臉灰度圖像模型。1人臉識別的發(fā)展歷程蓬勃發(fā)展階段：人臉識別技術的蓬勃發(fā)展主要出現(xiàn)在上世紀的90年代，在此期間人臉識別的研究成果非常豐碩，特別是在識別算法以及人臉數(shù)據(jù)庫資源上。主要表現(xiàn)如下：一是誕生了非常著名的“特征臉”人臉識別方法；二是采用了更具代表性的一些人臉識別先進算法，特別是深度學習的推波助瀾；三是建立了龐大的人臉識別數(shù)據(jù)庫資源。實際應用階段：隨著人臉識別技術的不斷成熟，除了可以應用在門禁考勤、安防、金融之外，還可以應用在其他的場景，例如商業(yè)、運動、教育等應用前景廣泛。2人臉識別的行業(yè)前景人臉識別的行業(yè)前景人臉識別行業(yè)前景將會呈現(xiàn)以下發(fā)展趨勢：（1）人臉識別應用的最廣泛領域便是安防行業(yè)，作為安防市場未來的發(fā)展方向的智能視頻分析，其中最重要的技術就是人臉識別。（2）我國的三維測量技術近年來發(fā)展形勢較好，此外對于其中的傳統(tǒng)難點，包括人臉旋轉、遮擋、相似度等在內的都有了很好的應對，這也成為了人臉識別技術的另一個最為重要的發(fā)展路線之一。（3）大數(shù)據(jù)深度學習進一步提升了人臉識別的精確度，這也為2D人臉識別的應用作了一定的突破，將其應用于互聯(lián)網(wǎng)金融行業(yè)當中，能夠快速普及金融類應用。（4）人臉識別技術由于其便利性、安全性，可在智能家居中用作門禁系統(tǒng)以及鑒權系統(tǒng)，因此智能家居與人臉識別技術的融合是未來發(fā)展的重點方向。（5）人臉識別技術是未來基于大數(shù)據(jù)領域的重要發(fā)展方向。23人臉識別的常見方法人臉識別的常見方法人臉識別的常見方法有：基于特征臉的方法特征臉的方法，它是一種比較經(jīng)典而又應用比較廣的人臉識別方法，其主要原理是把圖像做降維算法，使得數(shù)據(jù)的處理更容易，同時，速度又可以做的比較快。特征臉的人臉識別方法，實際上是將圖像做K-L變換，把一個高維的向量轉化為低維的向量，從而消除每個分量存在的關聯(lián)性，使得變換得到的圖像與之對應特征值遞減。在圖像經(jīng)過K-L變換后，其具有很好的位移不變性和穩(wěn)定性。所以，特征臉的人臉識別方法具有方便實現(xiàn)，并且可以做到速度更快，以及對正面人臉圖像的識別率高等優(yōu)點。但是，該方法也具有不足的地方，就是比較容易受人臉表情、姿態(tài)和光照改變等因素的影響，從而導致識別率低的情況。3人臉識別的常見方法2.基于幾何特征的方法基于幾何特征的識別方法，它是根據(jù)人臉面部器官的特征及其幾何形狀進行的一種人臉識別方法，是人們最早研究及使用的識別方法。它主要是采用不同人臉的不同特征等信息進行匹配識別，這種算法具有較快的識別速度，同時，其占用的內存也比較小，但是，其識別率也并不算高。其流程大體如下：首先對人臉面部的各個特征點及其位置進行檢測，如鼻子、嘴巴和眼睛等位置，然后計算這些特征之間的距離，得到可以表達每個特征臉的矢量特征信息，例如眼睛的位置，眉毛的長度等，其次還計算每個特征與之相對應關系，與人臉數(shù)據(jù)庫中已知人臉對應特征信息來做比較，最后得出更佳的匹配人臉?；趲缀翁卣鞯姆椒ǚ先藗儗θ四樚卣鞯恼J識，另外，每幅人臉只存儲一個特征，所以占用的空間比較小。同時，這種方法對光照引起的變化并不會降低其識別率，而且特征模板的匹配和識別率比較高。但是，基于幾何特征的方法也存在著魯棒性不好，一旦表情和姿態(tài)稍微變化，識別效果將大打折扣。3人臉識別的常見方法3.基于神經(jīng)網(wǎng)絡的方法將神經(jīng)網(wǎng)絡模型應用于圖像識別中已經(jīng)有比較久的時間了，如BP神經(jīng)網(wǎng)絡等，它是模仿人類大腦活動方式去實現(xiàn)的。目前，比較有代表性的神經(jīng)網(wǎng)絡模型設計的方法主要有混合型神經(jīng)網(wǎng)絡、主元神經(jīng)網(wǎng)，以及卷積神經(jīng)網(wǎng)絡等方法。神經(jīng)網(wǎng)絡的方法在目前來說，可以做到相對比較高的識別率，當然，其也存在著網(wǎng)絡訓練時間長，以及難以收斂等問題。4.基于支持向量機的方法將支持向量機(SVM)的方法應用到人臉識別中，其起源于統(tǒng)計學理論，它研究的方向是如何構造有效的學習機器，并用來解決模式的分類問題。其特點是將圖像變換空間，在其他空間做分類。支持向量機結構相對簡單，而且可以達到全局更優(yōu)等特點，所以，支持向量機在目前人臉識別領域取得了廣泛的應用。但是，該方法和神經(jīng)網(wǎng)絡的方法具有一樣的不足，就是需要很大的存儲空間，并且訓練速度還比較慢。3ThankYOU!認識face_recognition開源庫face_recognition基本介紹01任務face_recognition識別人臉流程02任務學習目標了解face_recognition人臉識別庫掌握face_recognition識別人臉流程1face_recognition基本介紹1face_recognition基本介紹face_recognition是一個開源的，簡潔的人臉識別庫，基于C++的開源庫dlib，具有深度學習功能?？梢允褂肞ython和命令行工具提取人臉特征、識別人臉。face_recognition安裝也很簡單，由于依賴dlib庫，所以安裝之前需要先安裝好dlib，接著只需通過“pipinstallface_recognition”命令安裝即可?；蛘邚脑创a開始安裝gitclonecdface_recognitionpythonsetup.pyinstall1face_recognition基本介紹face_recognition可以實現(xiàn)的功能包括：（1）人臉檢測；就是要找出給定圖片中包含的全部的臉的位置importface_recognitionimage=face_recognition.load_image_file("your_file.jpg")face_locations=face_recognition.face_locations(image)1face_recognition基本介紹face_recognition可以實現(xiàn)的功能包括：（2）人臉關鍵點檢測；找出每個人的眼睛、鼻子、嘴巴和下巴importface_recognitionimage=face_recognition.load_image_file("your_file.jpg")face_landmarks_list=face_recognition.face_landmarks(image)（3）人臉識別等。1face_recognition基本介紹face_recognition可以實現(xiàn)的功能包括：（3）人臉識別等。最后一步，也是最關鍵的一步，識別出這張臉是屬于誰的。face_recognition使用了歐幾里得距離來確定是不是同一張臉。importface_recognitionknown_image=face_recognition.load_image_file("biden.jpg")unknown_image=face_recognition.load_image_file("unknown.jpg")biden_encoding=face_recognition.face_encodings(known_image)[0]unknown_encoding=face_recognition.face_encodings(unknown_image)[0]results=face_pare_faces([biden_encoding],unknown_encoding)2face_recognition識別人臉流程face_recognition識別人臉流程face_recognition進行人臉識別的主要步驟如下：（1）人臉編碼；（2）人臉匹配。其中人臉匹配又涉及到了人臉距離（相似度）的計算。2人臉編碼在人臉編碼中，使用到了face_recognition.face_encodings()函數(shù)，該函數(shù)的作用就是將加載的圖片轉換成一個128維的包含人臉特征的數(shù)組。再使用face_distance(face_encodings,face_to_compare)函數(shù)來計算人臉特征距離，其中face_encodings為人臉編碼列表（庫），此處為上面的known_encodings，face_to_compare為要比較的人臉編碼，此處為face_encoding2。該函數(shù)返回的是一個列表，里面是要比較的人臉編碼與人臉編碼庫中每一張人臉經(jīng)過歐幾里得計算的距離。face_recogni