本教程的人脸识别是使用的是insightface库进行开发的，该库使用的框架为mxnet。

安装环境

1. 安装mxnet，支持1.3~1.6版本，安装命令如下。

pip install mxnet-cu101==1.5.1

2. 安装insightface，命令如下。

pip install --upgrade insightface

3. 安装其他依赖库。

pip install flask flask-cors PyYAML scikit-learn opencv-python

人脸识别和人脸注册

为了方便参数的修改，使用yaml格式进行配置参数，yaml格式文件加载如下。

import os
import yaml
import numpy as np
import insightface
from random import choice
import cv2
from sklearn import preprocessing


# Deploy Configuration File Parser
class DeployConfig:
    def __init__(self, conf_file):
        if not os.path.exists(conf_file):
            raise Exception('Config file path [%s] invalid!' % conf_file)

        with open(conf_file) as fp:
            configs = yaml.load(fp, Loader=yaml.FullLoader)
            deploy_conf = configs["FACE"]
            # 正数为GPU的ID，负数为使用CPU
            self.gpu_id = deploy_conf["GPU_ID"]
            self.face_db = deploy_conf["FACE_DB"]
            self.threshold = deploy_conf["THRESHOLD"]
            self.nms = deploy_conf["NMS"]

config.yaml内容如下：

FACE:
  GPU_ID: 0
  FACE_DB: "face_db"
  THRESHOLD: 1.24
  NMS: 0.50

然后开始编写人脸识别和人脸注册工具类，使用insightface.app.FaceAnalysis()可以获取模型对象，这里包含了三个模型，首先是人脸检测模型，然后是人脸特征提取模型，和最后的性别年龄识别模型。使用model.prepare()可以配置ctx_id指定使用哪一块GPU，如果是负数则是使用CPU执行预测，nms配置的是人脸检测的阈值。load_faces()函数是加载人脸库中的人脸，用于之后的人脸识别对比。

class FaceRecognition:
    def __init__(self, conf_file):
        self.config = DeployConfig(conf_file)
        # 加载人脸识别模型
        self.model = insightface.app.FaceAnalysis()
        self.model.prepare(ctx_id=self.config.gpu_id, nms=self.config.nms)
        # 人脸库的人脸特征
        self.faces_embedding = list()
        # 加载人脸库中的人脸
        self.load_faces(self.config.face_db)

    # 加载人脸库中的人脸
    def load_faces(self, face_db_path):
        if not os.path.exists(face_db_path):
            os.makedirs(face_db_path)
        for root, dirs, files in os.walk(face_db_path):
            for file in files:
                input_image = cv2.imdecode(np.fromfile(os.path.join(root, file), dtype=np.uint8), 1)
                user_id = file.split(".")[0]
                face = self.model.get(input_image)[0]
                embedding = np.array(face.embedding).reshape((1, -1))
                embedding = preprocessing.normalize(embedding)
                self.faces_embedding.append({
                    "user_id": user_id,
                    "feature": embedding
                })

接下来编写recognition()函数实现人脸识别，通过调用model.get()函数可以获取图像中每张人脸的位置bbox，人脸关键点landmark，人脸特征embedding，性别gender，年龄age。其中使用人脸识别的就是通过欧氏距离来对比人脸库中的人脸特征，默认如何它们的欧氏距离小于1.24，我们就可以认为他们是同一个人。

    def recognition(self, image):
        faces = self.model.get(image)
        results = list()
        for face in faces:
            result = dict()
            # 获取人脸属性
            result["bbox"] = np.array(face.bbox).astype(np.int32).tolist()
            result["landmark"] = np.array(face.landmark).astype(np.int32).tolist()
            result["age"] = face.age
            gender = '男'
            if face.gender == 0:
                gender = '女'
            result["gender"] = gender
            # 开始人脸识别
            embedding = np.array(face.embedding).reshape((1, -1))
            embedding = preprocessing.normalize(embedding)
            result["user_id"] = "unknown"
            for com_face in self.faces_embedding:
                r = self.feature_compare(embedding, com_face["feature"], self.config.threshold)
                if r:
                    result["user_id"] = com_face["user_id"]
            results.append(result)
        return results

上面使用到的欧氏距离计算方式如下。

    @staticmethod
    def feature_compare(feature1, feature2, threshold):
        diff = np.subtract(feature1, feature2)
        dist = np.sum(np.square(diff), 1)
        if dist < threshold:
            return True
        else:
            return False

人脸注册方式如下，通过传入一张照片，首先要判断照片中的人脸只有一张，然后开始提取该人脸的特征值，再次比较要注册的人脸是否已经存在人脸库中了，否之就包人脸特征添加到人脸库中并保存图片到本地。通过命名包只包含一个人脸的图片放在face_db文件夹中也可以实现。

    def register(self, image):
        faces = self.model.get(image)
        if len(faces) != 1:
            return None
        # 判断人脸是否存在
        embedding = np.array(faces[0].embedding).reshape((1, -1))
        embedding = preprocessing.normalize(embedding)
        is_exits = False
        for com_face in self.faces_embedding:
            r = self.feature_compare(embedding, com_face["feature"], self.config.threshold)
            if r:
                is_exits = True
        if is_exits:
            return None
        old_user_id = [d["user_id"] for d in self.faces_embedding]
        user_id = self.get_user_id(old_user_id)
        # 符合注册条件保存图片，同时把特征添加到人脸特征库中
        cv2.imencode('.png', image)[1].tofile(os.path.join(self.config.face_db, '%s.png' % user_id))
        self.faces_embedding.append({
            "user_id": user_id,
            "feature": embedding
        })
        return user_id
    
    def get_user_id(self, old_user_id):
	    print(old_user_id)
	    while True:
	        user_id = "".join([choice("0123456789ABCDEF") for i in range(8)])
	        if user_id not in old_user_id:
	            break
	    return user_id

使用

全部功能都实现了，使用如下，首先是进行人脸注册，注册成功之后会获得一个用户注册ID，之后的人脸识别可以用过这个用户ID判断是不是这个人。

if __name__ == '__main__':
    img = cv2.imread("test.png")
    face_recognitio = FaceRecognition("config.yml")
    user_id = face_recognitio.register(img)
    print(user_id)

人脸识别，通过传入一张图片，可以输出每张人脸对应的用户ID、人脸位置bbox，人脸关键点landmark，性别gender，年龄age。

if __name__ == '__main__':
    img = cv2.imread("test2.png")
    face_recognitio = FaceRecognition("config.yml")
    result = face_recognitio.recognition(img)
    print(result)