# 人脸识别

**Repository Path**: yang230147961/face-recognition

## Basic Information

- **Project Name**: 人脸识别
- **Description**: No description available
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 1
- **Created**: 2025-12-24
- **Last Updated**: 2026-04-10

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 人脸相似度对比工具

基于 DeepFace 的人脸相似度对比工具，支持本地图片和网络图片的混合比较。

## 功能特性

- 自动识别本地图片和网络图片
- 支持多种人脸识别模型
- 灵活的相似度阈值设置
- 支持多种距离度量方法
- 提供Web界面进行交互式操作
- 提供RESTful API接口供程序调用

## 一键部署

项目提供了一键部署脚本，可自动完成环境搭建、依赖安装、模型下载和项目启动：

### Linux/macOS

```bash
# 给脚本添加执行权限
chmod +x deploy.sh

# 运行部署脚本
./deploy.sh
```

### Windows

```bash
# 直接运行批处理文件
deploy.bat
```

一键部署脚本会自动完成以下步骤：
1. 检查Python环境（需要Python 3.7+）
2. 创建并激活虚拟环境
3. 升级pip
4. 安装所有依赖包
5. 设置模型目录
6. 下载人脸识别模型
7. 启动Web服务

## 安装依赖

```bash
pip install deepface requests
```

## 使用方法

### Web界面使用

部署完成后，访问 `http://localhost:5001` 即可使用图形化界面进行人脸对比操作：

1. 上传或输入两张人脸图片（支持本地图片和网络图片URL）
2. 选择人脸识别模型（VGG-Face, Facenet, Facenet512, OpenFace, DeepFace, ArcFace）
3. 选择距离度量方法（余弦距离, 欧几里得距离, 欧几里得L2距离）
4. 设置相似度阈值（可选）
5. 点击"开始对比"按钮进行人脸相似度分析

### 命令行使用

```
# 本地图片与网络图片对比
python main.py --img1 /Users/returnzero/AllCode/face-recognition/1766541157900.png --img2 /Users/returnzero/AllCode/face-recognition/1766541288048.png

# 两张本地图片对比
python main.py --img1 path/to/image1.jpg --img2 path/to/image2.jpg

# 两张网络图片对比
python main.py --img1 https://example.com/image1.jpg --img2 https://example.com/image2.jpg
```

### 高级用法

```
# 指定相似度阈值
python main.py --img1 image1.jpg --img2 image2.jpg --threshold 0.3

# 指定相似度百分比阈值 (0-100)
python main.py --img1 image1.jpg --img2 image2.jpg --threshold-percent 85

# 使用不同模型
python main.py --img1 image1.jpg --img2 image2.jpg --model ArcFace

# 输出JSON格式结果
python main.py --img1 image1.jpg --img2 image2.jpg --json

# 显示调试信息
python main.py --img1 image1.jpg --img2 image2.jpg --debug
```

### 参数说明

| 参数 | 类型 | 必需 | 默认值 | 说明 |
|------|------|------|--------|------|
| `--img1` | 字符串 | 是 | 无 | 第一张图片路径或URL |
| `--img2` | 字符串 | 是 | 无 | 第二张图片路径或URL |
| `--threshold` | 浮点数 | 否 | 模型默认值 | 距离阈值 |
| `--threshold-percent` | 浮点数 | 否 | 无 | 相似度百分比阈值 (0-100) |
| `--model` | 字符串 | 否 | Facenet512 | 人脸识别模型 |
| `--metric` | 字符串 | 否 | cosine | 距离度量方法 |
| `--json` | 布尔值 | 否 | False | 输出JSON格式结果 |
| `--debug` | 布尔值 | 否 | False | 显示调试信息 |

### 支持的模型

- `VGG-Face`: VGG模型，速度较快
- `Facenet`: Google的FaceNet模型
- `Facenet512`: FaceNet的512维版本，准确性更高（默认）
- `OpenFace`: CMU的OpenFace模型
- `DeepFace`: Facebook的DeepFace模型
- `ArcFace`: ArcFace模型，准确性较高

### 支持的距离度量

- `cosine`: 余弦距离（默认）
- `euclidean`: 欧几里得距离
- `euclidean_l2`: L2归一化欧几里得距离

## API 接口

系统提供RESTful API接口，方便程序集成调用：

### 健康检查接口

- **GET** `/api/health`
- 用途：检查服务健康状态
- 响应示例：
```
{
  "status": "healthy",
  "message": "Face recognition API is running"
}
```

### 人脸对比接口

- **POST** `/api/face/compare`
- 用途：进行人脸相似度对比
- 请求参数：
  - `img1`: 第一张图片（可以是文件或URL）
  - `img2`: 第二张图片（可以是文件或URL）
  - `model`: 人脸识别模型（默认：Facenet512）
  - `distance_metric`: 距离度量方法（默认：cosine）
  - `threshold`: 相似度阈值（可选）
- 请求示例：
```bash
# 上传文件方式
curl -X POST -F "img1=@image1.jpg" -F "img2=@image2.jpg" -F "model=Facenet512" -F "distance_metric=cosine" http://localhost:5001/api/face/compare

# URL方式
curl -X POST -F "img1=https://example.com/image1.jpg" -F "img2=https://example.com/image2.jpg" http://localhost:5001/api/face/compare
```
- 响应示例：
```json
{
  "success": true,
  "data": {
    "distance": 0.3256,
    "verified": true,
    "similarity_percent": 67.44,
    "model": "Facenet512",
    "distance_metric": "cosine",
    "threshold_used": 0.4,
    "facial_areas": {
      "img1": {"x": 100, "y": 100, "w": 200, "h": 200},
      "img2": {"x": 120, "y": 110, "w": 180, "h": 180}
    }
  }
}
```

## 常见问题

### 人脸检测失败
如果程序提示"对比失败"，请检查：
1. 图片中是否包含清晰可见的人脸
2. 人脸没有被遮挡或角度过于倾斜
3. 图片分辨率是否过低

### 网络图片无法下载
1. 检查网络连接是否正常
2. 确认图片URL是否有效
3. 检查是否有访问限制或防盗链

### 模型下载问题
首次运行时，DeepFace会自动下载模型文件，这可能需要一些时间。

## 示例

```bash
# 基本人脸对比
python main.py --img1 photo1.jpg --img2 photo2.jpg

# 使用ArcFace模型进行高精度对比
python main.py --img1 photo1.jpg --img2 photo2.jpg --model ArcFace --metric cosine

# 设置80%相似度阈值
python main.py --img1 photo1.jpg --img2 photo2.jpg --threshold-percent 80

# 同时输出JSON格式结果
python main.py --img1 photo1.jpg --img2 photo2.jpg --json --debug
```