Windows 10+CUDA10.1+dlib19.17安装人脸识别模块face_recognition，并做初步功能验证

（2.2）Could not fetch URL https://pypi.org/simple/face-recognition/: There was a problem confirming the ssl certificate: HTTPSConnectionPool(host='pypi.org', port=443): Max retries exceeded with url: /simple/face-recognition/ (Caused by SSLError("Can't connect to HTTPS URL because the SSL module is not available."))

看起来似乎是缺少TLS/SSL环境，但其实不是。

★解决方法：

使用国内的镜像网站，方法如下：

在Windows 10的“C:\Users\你的用户名\”目录下创建“pip”目录，“pip”目录下创建“pip.ini”文件（注意：以UTF-8 无BOM格式编码）；

“pip.ini”文件内容：

[global]
index-url=http://mirrors.aliyun.com/pypi/simple/
[install]
trusted-host=mirrors.aliyun.com

重新运行：

pip install face_recognition

安装成功：

补充一下，国内镜像的地址有多个：

http://pypi.douban.com/simple/ 豆瓣

http://mirrors.aliyun.com/pypi/simple/ 阿里

http://pypi.hustunique.com/simple/ 华中理工大学

http://pypi.sdutlinux.org/simple/ 山东理工大学

http://pypi.mirrors.ustc.edu.cn/simple/ 中国科学技术大学

https://pypi.tuna.tsinghua.edu.cn/simple 清华

（3）验证face_recognition的功能

（3.1）先运行一段只有4行的小程序（读图片信息，识别图片中的人脸并打印anchor_box的坐标）：

import face_recognition
image = face_recognition.load_image_file("f:\images\jinmao2.jpg")
face_locations = face_recognition.face_locations(image)
print(face_locations)

运行成功，说明face_recognition已经安装成功了：

（3.2）为了更直觉的感受一下，用matplotlib作图，展示标记人脸后的图像：

import face_recognition
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import numpy as np
from matplotlib.path import Path
import matplotlib.patches as patches

# 需要识别的图像路径
image_path = "f:\images\jinmao2.jpg"
# 将图片加载为数组形式
image = face_recognition.load_image_file(image_path)
# 定位图中人脸的位置
face_locations = face_recognition.face_locations(image)

#因为我们已经安装了支持nVidia CUDA库，所以也可以使用dlib的GPU选项，face_recognition官网中的注释如下：
# Find all the faces in the image using a pre-trained convolutional neural network.
# This method is more accurate than the default HOG model, but it's slower
# unless you have an nvidia GPU and dlib compiled with CUDA extensions. But if you do,
# this will use GPU acceleration and perform well.

#face_locations = face_recognition.face_locations(unknown_image, number_of_times_to_upsample=0, model="cnn")

print("图中共有{}张人脸。".format(len(face_locations)))

# 使用matplotlib作图，展示原图
img = mpimg.imread(image_path)
fig, ax = plt.subplots(figsize=(img.shape[0]/100,img.shape[1]/100))
imgplot = ax.imshow(img)

# 遍历识别到的人脸位置信息
for face_location in face_locations:
    # 获得上、右、下、左人脸边界像素值
    top, right, bottom, left = face_location

    # 使用matplotlib在原图中用矩形框出人脸
    verts = [
       (left, bottom),  # left, bottom
       (left, top),  # left, top
       (right, top),  # right, top
       (right, bottom),  # right, bottom
       (left, bottom),  # ignored
    ]
    codes = [
        Path.MOVETO,
        Path.LINETO,
        Path.LINETO,
        Path.LINETO,
        Path.CLOSEPOLY,
    ]
    path = Path(verts, codes)
    patch = patches.PathPatch(path, facecolor='none', edgecolor='cyan', ls='-', lw=2)
    ax.add_patch(patch)

# 展示图像
plt.show()

看到代码中的这一行注释：

# unless you have an nvidia GPU and dlib compiled with CUDA extensions.

因为我们之前已经完成了对支持CUDA10.1的dlib19.17库的编译工作（C++库和Python库），所以可以直接运行：

face_locations = face_recognition.face_locations(unknown_image, number_of_times_to_upsample=0, model="cnn")

运行效果如下图所示：

（3.3）标记人脸面部特征：

import face_recognition
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import numpy as np
from matplotlib.path import Path
import matplotlib.patches as patches

# 需要识别的图像路径
image_path = "f:\images\jinmao2.jpg"
# 将图片加载为数组形式
image = face_recognition.load_image_file(image_path)
# 定位图片中所有人脸的面部特征位置
face_landmarks_list = face_recognition.face_landmarks(image)

print("图中共有{}张人脸。".format(len(face_landmarks_list)))

# 使用matplotlib作图，展示原图
img = mpimg.imread(image_path)
fig, ax = plt.subplots(figsize=(img.shape[0]/100,img.shape[1]/100))
imgplot = ax.imshow(img)

# 遍历识别到每个人脸
for face_landmarks in face_landmarks_list:

    # 面部特征map中的key
    facial_features = [
        'chin',
        'left_eyebrow',
        'right_eyebrow',
        'nose_bridge',
        'nose_tip',
        'left_eye',
        'right_eye',
        'top_lip',
        'bottom_lip'
    ]

    # 遍历每一个面部特征
    for facial_feature in facial_features:
        # 使用matplotlib在原图中用线框出面部特征
        verts = face_landmarks[facial_feature]
        # 出开始结尾的点，共有点的个数
        middle_point_num = len(verts)-2
        # 定义path中的起始点
        codes = [Path.MOVETO]
        # 定义path中的中间点
        for i in range(middle_point_num):
            codes.append(Path.LINETO)
        # 定义path中的结尾点
        if(verts[0]==verts[-1]):
            codes.append(Path.CLOSEPOLY)
        else:
            codes.append(Path.LINETO)

        path = Path(verts, codes)
        patch = patches.PathPatch(path, facecolor='none', edgecolor='cyan', ls='-', lw=1)
        ax.add_patch(patch)

plt.show()

运行效果如下图所示：

（3.4）识别人脸是谁

先提供需要识别的人脸图片（Jason & Lucy）：

然后与发现的人脸进行对比，并标识上对应的名字：

import face_recognition
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import numpy as np
from matplotlib.path import Path
import matplotlib.patches as patches

# 从照片中加载已知的两个人脸
jason_image = face_recognition.load_image_file("f:\images\jason.jpg")
jason_face_encoding = face_recognition.face_encodings(jason_image)[0]

lucy_image = face_recognition.load_image_file("f:\images\lucy.jpg")
lucy_face_encoding = face_recognition.face_encodings(lucy_image)[0]

known_face_encodings = [
    jason_face_encoding,
    lucy_face_encoding,
]
known_face_names = [
    "Jason",
    "Lucy",
]

# 加载需要识别的图片
image_path = "f:\images\jinmao2.jpg"
unknown_image = face_recognition.load_image_file(image_path)

# matplotlib作图
img = mpimg.imread(image_path)
fig, ax = plt.subplots(figsize=(img.shape[0]/100,img.shape[1]/100))
imgplot = ax.imshow(img)

# 找到图中所有人脸的位置
face_locations = face_recognition.face_locations(unknown_image)
# 根据位置加载人脸编码的列表
face_encodings = face_recognition.face_encodings(unknown_image, face_locations)

# 遍历所有人脸编码，与已知人脸对比
for (top, right, bottom, left), face_encoding in zip(face_locations, face_encodings):

    # 获得对比结果
    matches = face_recognition.compare_faces(known_face_encodings, face_encoding, tolerance=0.4)
    # 获得姓名
    name = "Unknown"
    if True in matches:
        first_match_index = matches.index(True)
        name = known_face_names[first_match_index]
    # matplotlib构造框图
    verts = [
       (left, bottom),  # left, bottom
       (left, top),  # left, top
       (right, top),  # right, top
       (right, bottom),  # right, bottom
       (left, bottom),  # ignored
    ]
    codes = [
        Path.MOVETO,
        Path.LINETO,
        Path.LINETO,
        Path.LINETO,
        Path.CLOSEPOLY,
    ]
    path = Path(verts, codes)
    patch = patches.PathPatch(path, facecolor='none', edgecolor='cyan', ls='-', lw=2)
    ax.add_patch(patch)
    # matplotlib 标记人名
    ax.text(left, top, name, style='italic',fontsize=20,
        bbox={'facecolor': 'cyan', 'edgecolor':'cyan','alpha': 1, 'pad': 2})

# 如果你的人名包含中文，可以加上这句，用于正常显示中文
plt.rcParams['font.sans-serif']=['SimHei']

plt.show()

运行效果如下图所示：

是不是很简单？真的是很简单。

参考：

https://www.jianshu.com/p/670dc03ed081

（完）

DAMO开发者矩阵

DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。

更多推荐

第一篇博客

目前正跟着网课学习C语言，现阶段希望能通过10月底的机器人创新实验班的考核，在大二时要入门熟用python与C语言，参加一些比赛，争取保研到一些强势的985院校。现先跟着网课的节奏学习C语言，等正式开学后再考虑python的学习，以后有机会会实习以积累经验每天会抽2h进行学习，也会与舍友多多沟通，共同进步。对于想去的企业，现还没有什么想法，可能之后的生活会给我启发吧！本人为安徽大学的一名大一新生

DAMO开发者矩阵

什么是 AI 智能体（Agent）？它与传统的聊天机器人（Chatbot）在本质上有哪些区别？

AI智能体（Agent）与聊天机器人（Chatbot）的本质区别在于：前者是能自主规划、调用工具、执行任务并反馈结果的“行动者”，后者仅具备对话生成能力。Chatbot如客服接线员，只回应问题；Agent则像项目经理，理解目标后自动拆解任务、操作外部系统完成工作。关键差异体现在是否具备规划、行动、记忆与闭环反馈能力。随着大模型结合工具调用与ReAct循环，智能体正从“会说话”迈向“会做事”，推动人