人脸检测(MTCNN) + 人脸编码(FaceNet) = 人脸识别 + Docker Image = 容器部署源码.zip

## 基于MTCNN和FaceNet的人脸识别 **如果本项目对你部署一个可用的人脸识别的模型有帮助，欢迎Start...** **借助摄像头和极低的阈值，该模型可实现50万级别的人脸考勤系统...** #### 环境安装 ```bash pip install -r requirements.txt ``` #### 本地Docker镜像打包 ```bash # 进入本项目根目录执行 docker build -t FaceRecognition:mtcnn+facenet . ``` #### 本地测试 ```bash # 命令行输入 uvicorn main:app --host 0.0.0.0 # 浏览器访问 http://127.0.0.1:8000/docs ``` #### 线上测试 ```bash docker pull mrzhang3389/face_recognition:mtcnn_facenet # 运行 docker run -it -p 8000:8000 mrzhang3389/face_recognition:mtcnn_facenet # 浏览器登陆 http://127.0.0.1:8000/docs ``` #### 浏览器测试如下： 传入一张含有人脸的图像, 输出一个列表包含图书每个人脸的512维数组特征.  #### 如何进行人脸识别 ```python import math import json import requests def get_face_encoding(img_path): img_file = {'file': open(img_path, 'rb')} upload_data = {"accept": "application/json", "Content-Type": "multipart/form-data"} upload_res = requests.post("http://192.168.31.220:8000/uploadfile", upload_data, files=img_file) encoding = json.loads(upload_res.content) return encoding def euclidean_distance(A, B): '''用于计算两个列表中, 人脸特征之间的欧式距离.''' return math.sqrt(sum([(a - b) ** 2 for (a, b) in zip(A, B)])) obama_1_encoding = get_face_encoding("assets/obama.jpg") obama_2_encoding = get_face_encoding("assets/obama2.jpg") biden_encoding = get_face_encoding("assets/biden.jpg") print("obama_1 and obama_2:", euclidean_distance(obama_1_encoding[0], obama_2_encoding[0])) print("obama_1 and biden :", euclidean_distance(obama_1_encoding[0], biden_encoding[0])) print("obama_2 and biden :", euclidean_distance(obama_2_encoding[0], biden_encoding[0])) ``` #### 人脸识别比对结果  同一个人的两张不同人脸距离小，不同人脸的距离大，设定一个阈值用以比对数据库中人脸的特征来识别是否为同一个人。