face_recognition.compare_faces的参数tolerance

时间: 2023-10-25 09:07:21 浏览: 45
在使用face_recognition库中的compare_faces函数时,tolerance参数用于控制人脸匹配的容错率。该参数的取值范围是0到1之间的浮点数。tolerance值越小,匹配要求越严格,容错率越低;tolerance值越大,匹配要求越宽松,容错率越高。如果未指定该参数,则默认值为0.6。 在实际应用中,tolerance值的选择应该根据具体情况进行调整。如果要求匹配的准确性非常高,可以将tolerance值调整为较小的值(如0.4或更小),但这可能会导致一些合法的匹配被误判为不匹配。如果要求匹配的容忍度较高,可以将tolerance值调整为较大的值(如0.8或更大),但这可能会导致一些不合法的匹配被误判为匹配。因此,在使用compare_faces函数时,需要根据实际情况进行参数调整,以获得最佳的匹配效果。
相关问题

face_recognition.compare_faces的第三个参数含义

`face_recognition.compare_faces` 是用于比较两个人脸编码向量是否匹配的函数,其第三个参数是一个可选参数 `tolerance`,表示容忍度或者说阈值。它用于控制比较的严格程度,即两个人脸编码向量之间的距离差必须小于容忍度才被认为是匹配的。当 `tolerance` 值越小时,比较越严格,匹配结果越准确,但也可能会导致误报(将不同的人误认为同一个人);当 `tolerance` 值越大时,比较越宽松,匹配结果越容易出现误差,但也能够识别一些相似度较低的人脸。通常情况下,建议将 `tolerance` 设置为一个适当的值,以平衡匹配准确度和误差率之间的关系。

match = face_recognition.compare_faces(self.person, face_encoding, tolerance=self.tolerance)

这段代码是使用 face_recognition 库中的 compare_faces 函数来比较两个人脸的相似度。其中,self.person 是一个已知的人脸编码列表,而 face_encoding 是待检测的人脸编码。tolerance 则是容忍度,用于调整在多大程度上认为两个人脸编码相同。 compare_faces 函数返回一个布尔值列表,表示待检测的人脸编码与已知人脸编码列表中的每个编码是否匹配。如果匹配,则为 True,否则为 False。

相关推荐

import face_recognition import cv2 import os unknow_people_list = [i for i in os.listdir('unknow_people') if (i.endswith('.jpg')) or (i.endswith('.png')) or (i.endswith('.jpeg'))] know_people_list = [i for i in os.listdir('know_people') if (i.endswith('.jpg')) or (i.endswith('.png')) or (i.endswith('.jpeg'))] def face_select(): for unknow_people in unknow_people_list: # 读取待识别图片 unknow = face_recognition.load_image_file('unknow_people/' + unknow_people) # 将待识别图片转化为特征向量 unknow_encode = face_recognition.face_encodings(unknow)[0] flag = False for know_people in know_people_list: # 读取计算机已经认识的图片 know = face_recognition.load_image_file('know_people/' + know_people) # 获得面部位置 face_location1 = face_recognition.face_locations(know) face_location2 = face_recognition.face_locations(unknow) # 提取面部关键点 face_landmarks_list1 = face_recognition.face_landmarks(know) face_landmarks_list2 = face_recognition.face_landmarks(unknow) # 图片转化为特征向量 know_encode = face_recognition.face_encodings(know)[0] # 两张图片进行比较的结果 res = face_recognition.compare_faces([know_encode], unknow_encode, tolerance=0.5) if res[0]: flag = True name = know_people.split(".")[0] break if flag: print(f'{name}匹配成功!') else: print(f'匹配失败') name = "UNKNOWN" # 绘制人脸特征点和矩形框 for (x1, y1, w1, h1) in face_location1: cv2.rectangle(know, (y1, x1), (h1, w1), (255, 0, 0), 2) cv2.putText(know, name, (y1 - 10, x1 - 10), cv2.FONT_HERSHEY_COMPLEX, 0.8, (0, 255, 0), 2) for face_landmarks in face_landmarks_list1: for facial_feature in face_landmarks.keys(): for pt_pos in face_landmarks[facial_feature]: cv2.circle(know, pt_pos, 1, (192, 192, 192), 2) for (x1, y1, w1, h1) in face_location2: cv2.rectangle(unknow, (y1, x1), (h1, w1), (255, 0, 0), 2) cv2.putText(unknow, name, (y1 - 10, x1 - 10), cv2.FONT_HERSHEY_COMPLEX, 0.8, (0, 255, 0), 2) for face_landmarks in face_landmarks_list2: for facial_feature in face_landmarks.keys(): for pt_pos in face_landmarks[facial_feature]: cv2.circle(unknow, pt_pos, 1, (192, 192, 192), 2) # 显示图片 cv2.imshow("known", know) cv2.imshow("unknown", unknow) cv2.waitKey(0) if __name__ == '__main__': face_select()

import face_recognition import cv2 def compareFaces(known_image, name): known_face_encoding = face_recognition.face_encodings(known_image)[0] for i in range(len(face_locations)): # face_Locations的长度就代表有多少张脸 top1, right1, bottom1, left1 = face_locations[i] face_image = unknown_image[top1:bottom1, left1:right1] face_encoding = face_recognition.face_encodings(face_image) if face_encoding: result = {} matches = face_recognition.compare_faces([unknown_face_encodings[i]], known_face_encoding, tolerance=0.39) if True in matches: print('在未知图片中找到了已知面孔') result['face_encoding'] = face_encoding result['is_view'] = True result['location'] = face_locations[i] result['face_id'] = i + 1 result['face_name'] = name results.append(result) if result['is_view']: print('已知面孔匹配照片上的第{}张脸!!'.format(result['face_id'])) unknown_image = face_recognition.load_image_file('qt.jpg') known_image1 = face_recognition.load_image_file('cs.png') known_image2 = face_recognition.load_image_file('cs1.png') results = [] unknown_face_encodings = face_recognition.face_encodings(unknown_image) face_locations = face_recognition.face_locations(unknown_image) compareFaces(known_image1, 'cs') compareFaces(known_image2, 'cs1') view_faces = [i for i in results if i['is_view']] if len(view_faces) > 0: for view_face in view_faces: top, right, bottom, left = view_face['location'] start = (left, top) end = (right, bottom) cv2.rectangle(unknown_image, start, end, (0, 0, 255), thickness=2) font = cv2.FONT_HERSHEY_DUPLEX cv2.putText(unknown_image, view_face['face_name'], (left + 6, bottom + 16), font, 1.0, (255, 255, 255), thickness=1) cv2.imshow('windows', unknown_image) cv2.waitKey()

最新推荐

recommend-type

Python人脸识别第三方库face_recognition接口说明文档

Python人脸识别第三方库face_recognition接口简单说明,及简单使用方法
recommend-type

pre_o_1csdn63m9a1bs0e1rr51niuu33e.a

pre_o_1csdn63m9a1bs0e1rr51niuu33e.a
recommend-type

zigbee-cluster-library-specification

最新的zigbee-cluster-library-specification说明文档。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

实现实时数据湖架构:Kafka与Hive集成

![实现实时数据湖架构:Kafka与Hive集成](https://img-blog.csdnimg.cn/img_convert/10eb2e6972b3b6086286fc64c0b3ee41.jpeg) # 1. 实时数据湖架构概述** 实时数据湖是一种现代数据管理架构,它允许企业以低延迟的方式收集、存储和处理大量数据。与传统数据仓库不同,实时数据湖不依赖于预先定义的模式,而是采用灵活的架构,可以处理各种数据类型和格式。这种架构为企业提供了以下优势: - **实时洞察:**实时数据湖允许企业访问最新的数据,从而做出更明智的决策。 - **数据民主化:**实时数据湖使各种利益相关者都可
recommend-type

2. 通过python绘制y=e-xsin(2πx)图像

可以使用matplotlib库来绘制这个函数的图像。以下是一段示例代码: ```python import numpy as np import matplotlib.pyplot as plt def func(x): return np.exp(-x) * np.sin(2 * np.pi * x) x = np.linspace(0, 5, 500) y = func(x) plt.plot(x, y) plt.xlabel('x') plt.ylabel('y') plt.title('y = e^{-x} sin(2πx)') plt.show() ``` 运行这段
recommend-type

JSBSim Reference Manual

JSBSim参考手册,其中包含JSBSim简介,JSBSim配置文件xml的编写语法,编程手册以及一些应用实例等。其中有部分内容还没有写完,估计有生之年很难看到完整版了,但是内容还是很有参考价值的。
recommend-type

"互动学习:行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动,互动学习以行动为中心的强化学习学会互动,互动学习,以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授:智囊团论文联合主任菲利普·普雷教授,大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授,Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士,Deepmind对于那些及时看到自己错误的人...3谢谢你首先,我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔,"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲,你知道在这篇论文的(许多)错误中,你是我可以依
recommend-type

实现实时监控告警系统:Kafka与Grafana整合

![实现实时监控告警系统:Kafka与Grafana整合](https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2pwZy9BVldpY3ladXVDbEZpY1pLWmw2bUVaWXFUcEdLT1VDdkxRSmQxZXB5R1lxaWNlUjA2c0hFek5Qc3FyRktudFF1VDMxQVl3QTRXV2lhSWFRMEFRc0I1cW1ZOGcvNjQw?x-oss-process=image/format,png) # 1.1 Kafka集群架构 Kafka集群由多个称为代理的服务器组成,这
recommend-type

导入numpy库,创建两个包含9个随机数的3*3的矩阵,将两个矩阵分别打印出来,计算两个数组的点积并打印出来。(random.randn()、dot()函数)

可以的,以下是代码实现: ```python import numpy as np # 创建两个包含9个随机数的3*3的矩阵 matrix1 = np.random.randn(3, 3) matrix2 = np.random.randn(3, 3) # 打印两个矩阵 print("Matrix 1:\n", matrix1) print("Matrix 2:\n", matrix2) # 计算两个数组的点积并打印出来 dot_product = np.dot(matrix1, matrix2) print("Dot product:\n", dot_product) ``` 希望