基于 Python 和 Dlib 的人脸相似度对比实现

第二步：遍历训练集提取特征

我们需要预先将已知人物的图片进行特征提取，并存入列表。这一步相当于让模型'记住'这些人的样子。

def extract_features(detector, sp, facerec, folder_path):
    candidate = []         # 存放训练集人物名字
    descriptors = []       # 存放训练集人物特征列表

    if not os.path.exists(folder_path):
        print(f"警告：文件夹 {folder_path} 不存在")
        return candidate, descriptors

    for f in glob.glob(os.path.join(folder_path, "*.jpg")):
        print("正在处理：{}".format(f))
        try:
            img = io.imread(f)
            # 获取文件名作为 ID
            name = os.path.basename(f).split('.')[0]
            candidate.append(name)
            
            # 人脸检测
            dets = detector(img, 1)
            for k, d in enumerate(dets): 
                shape = sp(img, d)
                # 提取特征
                face_descriptor = facerec.compute_face_descriptor(img, shape)
                v = np.array(face_descriptor) 
                descriptors.append(v)
        except Exception as e:
            print(f"处理图片 {f} 时出错：{e}")

    print('识别训练完毕！')
    return candidate, descriptors

第三步：处理待对比的图片

输入一张新图片，计算其特征值，并与训练集中的所有特征值计算距离，返回最接近的结果。

def compare_faces(detector, sp, facerec, test_img_path, candidates, descriptors):
    try:
        img = io.imread(test_img_path)
        dets = detector(img, 1)
    except Exception as e:
        print('输入路径有误或图片无法读取：', e)
        return None

    dist = []
    for k, d in enumerate(dets):
        shape = sp(img, d)
        face_descriptor = facerec.compute_face_descriptor(img, shape)
        d_test = np.array(face_descriptor) 
        
        # 计算与训练集中每个人的距离
        for i, desc in enumerate(descriptors):
            dist_ = np.linalg.norm(desc - d_test)
            dist.append((candidates[i], dist_))

    # 按距离排序，找出最相似的
    dist.sort(key=lambda x: x[1])
    
    print("--- 相似度分析结果 ---")
    for name, distance in dist[:5]:  # 打印前 5 个最相似的
        print(f"{name}: {distance:.4f}")
        
    return dist[0][0] if dist else None

if __name__ == "__main__":
    # 1. 加载模型
    detector, sp, facerec = load_models()
    
    # 2. 提取训练集特征
    candidates, descriptors = extract_features(detector, sp, facerec, faces_folder_path)
    
    if len(candidates) > 0:
        # 3. 测试对比
        # 注意：实际使用时请替换为真实测试图片路径
        test_path = r"test_images\test6.jpg"
        result = compare_faces(detector, sp, facerec, test_path, candidates, descriptors)
        if result:
            print(f"识别到的人物最有可能是：{result}")
    else:
        print("未找到有效的训练数据")

结果分析

运行上述代码后，程序会输出测试图片与训练集中每个人物的距离值。距离值越小，代表相似度越高。

例如，如果测试图片中的人物与训练集中的'黎明'距离最小（如 0.4），而与'刘亦菲'距离较大（如 0.9），则系统判定该图片更接近'黎明'。

需要注意的是，单张人脸检测可能受光照、角度影响。如果一张图片中包含多个人脸，代码中的循环会分别计算每个检测到的人脸与训练集的匹配度，最终取全局最优解。

常见问题与优化

1. 模型文件缺失

如果报错 FileNotFoundError，请确认 .dat 文件是否在当前目录下。Dlib 官方提供了多个版本的模型，推荐使用 resnet 版本以获得更高的精度。

2. 性能优化

• 批量处理：如果需要处理大量图片，建议在提取特征时使用多线程或异步 IO。
• 缓存机制：训练集的特征向量可以序列化保存（如使用 pickle 或 numpy.save），避免每次运行时重复计算。

3. 阈值设定

不同的应用场景对精度的要求不同。如果是门禁系统，建议设置更严格的阈值（如 < 0.5）；如果是相册分类，可以适当放宽（如 < 0.7）。

4. 跨平台兼容性

Dlib 在 Windows 上编译较为复杂，建议使用 Docker 容器化部署或在 Linux 环境下运行，以减少环境配置问题。

总结

本文详细介绍了使用 Python 和 Dlib 库实现人脸相似度对比的全过程。从环境搭建、模型加载、特征提取到距离计算，涵盖了核心逻辑与工程实践。通过本方案，可以快速构建基础的人脸识别功能，并为后续集成到更复杂的 AI 系统中打下基础。