【开源】一个专为Python设计的轻量级人脸识别和人脸属性分析框架，能够进行年龄、性别、情感以及种族的识别。

介绍

DeepFace是一个专为Python设计的轻量级人脸识别和人脸属性分析框架，能够进行年龄、性别、情感以及种族的识别。这个库集成了多个先进的人脸识别模型，包括VGG-Face、Google FaceNet、OpenFace、Facebook DeepFace和DeepIDArcFaceDlib。这些模型的存在使得DeepFace在人脸识别上的准确率高达97%，并被证实在人脸检测方面优于一般的人脸识别框架。

DeepFace还具备人脸对齐的功能，这是为了提高识别准确性而设置的一步操作。通过对检测到的人脸进行对齐操作，可以消除姿态、光照和表情等因素对识别结果的影响。

功能

这个库主要是做人脸识别和面部属性分析的，它集合了目前全球最顶尖的开源人脸识别算法，使用卷积神经网络（CNN）对图像进行特征提取，以实现高精度的人脸识别。实验表明，人类在面部识别任务上的准确率为 97.53%，而这些模型已经达到并超过了该准确率水平。

而该库提供非常丰富的功能，比如：

人脸检测：deepface 可以在图像中检测出人脸的位置，为后续的人脸识别任务提供基础。
人脸对齐：为了提高识别准确性，deepface 会将检测到的人脸进行对齐操作，消除姿态、光照和表情等因素对识别结果的影响。
特征提取：deepface 使用卷积神经网络（CNN）对齐后的人脸图像进行特征提取，将人脸转换为高维特征向量。
人脸识别：通过比较特征向量之间的相似度，deepface 可以识别出图像中的人脸是否属于同一个人。
人脸验证：deepface 可以用于人脸验证任务，即判断给定的两张人脸图像是否属于同一个人。
人脸搜索：deepface 可以在大型人脸数据库中搜索特定人物，通过比较特征向量找到与目标人物最相似的人脸。
人脸聚类：deepface 可以对人脸进行聚类分析，将相似的人脸分组在一起，以便进行进一步的分析和处理。
人脸属性识别：deepface 还可以识别人脸的一些属性，如性别、年龄、表情等。年龄模型得到 ±4.65 MAE；性别模型可达 97.44% 的准确率、96.29% 的准确率和 95.05% 的召回率。
人脸跟踪：deepface 可以在视频序列中跟踪人脸，实现实时的人脸识别和分析。
人脸年龄分析：deepface 可以估计图像中的人脸年纪。
人脸表情识别：deepface 可以估计图像中的人脸表情。
人种识别：deepface 可以识别出图像中的人脸属于什么人种。
性别分析：deepface 可以识别出图像中的人脸是什么性别。

下面我们就来实际测试一个该库，看看它的效果如何？不过使用之前需要安装，直接 pip install deepface 即可。在安装的时候，会安装一些依赖，比如 OpenCV-Python、Tensorflow 等等，这些库比较大，所以要保证网络通畅，否则耗时会比较长。

对比两张图片上的人脸是否是同一个人

假设我们有两张图片，想判断两张图片上人是否为同一人，要怎么做呢？

当前有两个文件，分别是 yui1.png 和 yui2.png，来验证一下它们是否为同一个人。

from pprint import pprint# deep 库的所有功能都在 deep.DeepFace 子模块下面from deepface import DeepFace
# 传入两张图片即可进行对比result = DeepFace.verify("yui1.png", "yui2.png")pprint(result)

现代人脸识别流程包括 5 个常见阶段：检测、对齐、归一化、表示和验证。deepface 会在后台处理好一切，我们不需要深入了解其背后的所有过程，只需要用一行代码即可调用它的验证、查找或分析函数。

然后是 DeepFace.verify 函数，它负责对两张图片上的人进行比对，判断是否为同一个人。该函数接收如下参数：

img1_path 和 img2_path：就是两张图片的路径，当然除了路径，还可以是 numpy 数组或 base64 字符串。verify 函数会将图像上的人脸部分表示为向量，然后计算相似度。如果其中一张图片出现了多张脸，比如 img1_path 里面有一张脸，但 img2_path 里面有三张脸，那么每一张脸都会进行比对，找到最相似的那一个。

model_name： deepface 已经集成了大量顶尖的人脸模型用于训练，比如：

"VGG-Face"、"OpenFace"、"Facenet"、"Facenet512"、"DeepFace"、"DeepID""Dlib"、"ArcFace"、"SFace"、"Emotion"、"Age"、"Gender"、"Race"

喜欢哪个就用哪个，但是模型需要下载，如果 deepface 检测到当前机器上没有指定的模型，那么会自动下载。所以当前第一次执行上面代码的时候，会下载 VGG-Face 模型（大小有好几百 M）。关于这些模型的区别，有兴趣可以自己了解一下，我们直接使用默认的即可。

detector_backend：检测器后端，负责提供人脸识别算法，因为 deepface 所使用的算法是由其它模块提供的，默认是 opencv。但除了 opencv 之外，还有其它选择。

"opencv", "retinaface", "mtcnn", "ssd", "dlib", "mediapipe"

这些人脸检测器之间的区别，还是很重要的，我们来解释一下。

"opencv"：最轻量级的人脸检测器，使用不基于深度学习技术的 haar-cascade 算法，因此速度很快，但准确率较低。而为了使 OpenCV 正常工作，需要正面图像，如果脸侧了一下或者局部发生遮挡，准确率就会受到影响。此外也不擅长对眼睛的检测，容易导致对齐问题。目前 DeepFace 使用的默认检测器就是 OpenCV。
"dlib"：该检测器在后台使用 hog 算法，与 OpenCV 类似，它也不是基于深度学习的，但它的检测和对齐分数相对较高。
"ssd"：单次检测器，它是一种流行的基于深度学习的检测器，但性能可与 OpenCV 相媲美。只是 SSD 不支持面部特征点，并且依赖于 OpenCV 的眼睛检测模块来对齐，因此尽管其检测性能很高，但对准分数仅为平均水平。
"mtcnn"：基于深度学习的人脸检测器，并带有面部特征点，所以它的检测和对齐得分都很高但是，但速度比 OpenCV，SSD 和 Dlib 慢。另外 MTCNN 是一种多任务级联卷积神经网络的人脸检测算法，能够同时实现人脸检测、关键点定位和人脸对齐等功能。其对于大尺寸人脸的检测效果较好，并且模型规模相对于 RetinaFace 的较小。
"retinaface"：一种基于卷积神经网络的人脸检测算法，具有高精度的特点，被公认为是最先进的人脸检测算法，但需要很高的计算能力。相比 MTCNN，检测小尺寸人脸的效果更好。

因此如果你希望结果更加精确，那么使用 RetinaFace 或 MTCNN；如果希望检测速度更快，比如清洗一部分没有人脸的照片，那么可以使用 OpenCV 或 SSD。

distance_metric：距离（面部嵌入）度量方法，可以是 cosine、euclidean 或 euclidean_l2。

enforce_detection：如果没有检测到人脸时，是否引发异常，可以将其设置为 False。

align：是否执行面部对齐。

normalization：用于预处理图像的归一化技术。

from pprint import pprintfrom deepface import DeepFace
result = DeepFace.verify("yui1.png", "yui2.png")pprint(result)"""{'detector_backend': 'opencv', 'distance': 0.2437701450344817, 'facial_areas': {'img1': {'h': 115, 'w': 115, 'x': 73, 'y': 408},                  'img2': {'h': 327, 'w': 327, 'x': 159, 'y': 38}}, 'model': 'VGG-Face', 'similarity_metric': 'cosine', 'threshold': 0.4, 'time': 1.25, 'verified': True}"""

返回的是一个字典，里面有两个重要字段：

verified：表示比对结果，即两张图片上的人是否为同一人。
facial_areas：由矩形表示的面部区域，x、y 表示矩形的左上顶点的坐标，w 和 h 分别表示矩形的宽度和高度。

我们修改一下代码，将人脸所在的矩形描绘出来。

from deepface import DeepFaceimport cv2
result = DeepFace.verify("yui1.png", "yui2.png",                         detector_backend="mtcnn")
if not result["verified"]:    print("人脸不一致")    exit(0)
# 获取人脸位置坐标rect_img1 = result["facial_areas"]["img1"]rect_img2 = result["facial_areas"]["img2"]
# cv2 将图片读取进来之后，会得到一个三维数组# 第一个维度表示图片的每一行，第二个维度表示图片的每一列，第三个维度就是图片的像素点im1 = cv2.imread("yui1.png")im2 = cv2.imread("yui2.png")# 将人脸所在的矩形绘制出来，调用 cv2.rectangle 函数，该函数接收 5 个参数# 分别是：原始图像、矩形的左上顶点、矩形的右下顶点、线条颜色、线条粗细cv2.rectangle(    im1, (rect_img1["x"], rect_img1["y"]),    (rect_img1["x"] + rect_img1["w"], rect_img1["y"] + rect_img1["h"]),    (0, 255, 0),  3)cv2.rectangle(    im2, (rect_img2["x"], rect_img2["y"]),    (rect_img2["x"] + rect_img2["w"], rect_img2["y"] + rect_img2["h"]),    (255, 0, 0),  3)cv2.imshow("yui1.png", im1)cv2.imshow("yui2.png", im2)cv2.waitKey(0)

看一下结果：

你也可以将 detector_backend 换成别的，看看效果。首先换成 retinaface，结果也是正常的，但如果换成 opencv 结果就有问题了。换成 opencv 的话，也是提示人物是同一人，但第一张图片在返回面部所在矩形位置的时候出现了很大的问题，它返回的位置是人物手中的饮料所在的矩形区域。

这就有点离谱了，当然这只是我当前的结果是这样的，总之建议在识别的时候使用 MTCNN 和 Retinaface。

应用场景

Deepface是一种基于深度学习的人脸识别和人脸属性分析框架，由于其轻量级、高效和准确的特点，被广泛应用于多个领域。以下是一些典型的应用场景：

1. 安全监控：Deepface可用于人脸验证和识别，提高安全监控的准确性和效率。例如，在安防系统中快速识别可疑人员。

2. 金融应用：在金融领域，Deepface可用于身份验证和客户识别，提高金融服务的安全性和个性化服务的质量。

3. 用户验证：在金融、电子商务等领域，Deepface可用于身份验证，提高系统安全性。

4. 情感计算：通过分析面部表情，Deepface可以应用于人机交互、客户满意度调查等场景。

5. 社交媒体：自动标记照片中的人物，提升用户体验。

6. 人口统计分析：Deepface的年龄、性别和种族分析功能可用于市场研究和人口统计学研究。

7. 实时监控和交互式应用：Deepface支持实时视频流分析，可以应用于实时监控和交互式应用中。

Deepface的技术特点包括轻量级模型、多任务学习、数据增强、损失函数优化以及端到端训练，这些特点使其在处理大规模人脸数据时具有出色的性能表现。

开源地址

关注公众号 回复 20241029 获得

猜您喜欢：

【开源】100%开源企业级低代码快速开发平台，包含页面可视化配置、自定义表单、自定义报表、权限管理脚手架应用、前后端代码自动生成

【开源】基于Java+Vue+Uni-app开发的商城，在多端端都能使用，代码全开源无加密，独立部署，二开方便，支持免费商用

【开源】依托SpringBoot 技术，以OAuth2 认证结合 RBAC 权限设计为基础的一个轻量级、高可用的单点认证授权中心

【开源】一个前后端分离的开发基础平台和移动应用平台，集成jwt鉴权，动态路由，动态菜单，casbin鉴权，消息队列，定时任务等

添加微信进相关交流群，