静态图片中的人脸是二维平面的，比较其中的人脸相似度应该怎么做呢？通常涉及以下几个核心步骤。

• 1.人脸检测

• 2.人脸关键点检测与对齐

• 3.人脸特征提取

• 4.计算特征向量相似度

  

  仅供交流，两人为小红书用户，相似度 0.703

第一步：人脸检测

目标：在图片中找出所有人脸的位置。

• 操作

  使用人脸检测模型（如 MTCNN, Haar Cascades, 基于CNN的检测器等）对输入的每张图片进行分析。

• 输出

  一个或多个包含人脸的边界框坐标 (x, y, width, height)。

• 重要性

  这是所有后续步骤的基础。如果检测失败，整个流程就无法进行。

• 注意

  如果一张图片中检测到多张人脸，需要判断比较的是哪一张（一般检测最大人脸）。

第二步：人脸对齐

目标：将检测到的人脸进行几何变换，使其“摆正”，消除姿态（如侧脸、抬头、低头）和旋转带来的影响。

• 操作
  1. 人脸关键点检测

     首先检测出人脸上的关键特征点，如眼睛、鼻子、嘴角等（通常是5点、68点或106点）。

  2. 仿射变换

     以关键点（通常是双眼的位置）为基准，计算一个变换矩阵，将人脸旋转并缩放到一个标准化的坐标系中。

• 输出

  对齐后的、大小统一（例如 224x224 像素）的人脸图像。

• 重要性

  对齐能显著提升后续特征提取的准确性和鲁棒性，是工业级系统中至关重要的一步。

第三步：人脸特征提取

目标：将对齐后的人脸图像转换成一个具有代表性和区分度的数学向量（即“特征向量”或“人脸Embedding”）。

• 操作

  使用一个在大型人脸数据集上训练好的深度学习模型（如 ArcFace, FaceNet, VGGFace 等）。这个模型就像一个函数，输入一张人脸图片，输出一个高维向量（例如512维的浮点数向量）。

• 输出

  两个特征向量，分别代表两张图片中的人脸。

• 核心思想

  这个特征向量空间被设计为，同一个人不同图片的向量在空间中的“距离”很近，而不同人的向量“距离”很远。

  

  计算机能识别的人脸特征和人眼睛可能不太一样，上面的赛博面孔其实是作者通过Adobe firefly 生成的数字人脸，同样能被人脸识别程序识别 （仅供交流）

第四步：计算相似度

目标：计算两个特征向量之间的相似程度。

• 操作

  使用特定的距离或相似度度量方法来比较两个向量。

  • 余弦相似度

    最常用的方法之一。它衡量的是两个向量在方向上的差异，忽略其长度。结果范围通常在 [-1, 1] 或 [0, 1]，值越大越相似。

  • 欧氏距离

    计算空间中两点之间的直线距离。距离越接近0，表示两张脸越相似。

  • L2归一化 + 点积/欧氏距离

    在实际应用中，通常会先将特征向量进行L2归一化（使其模长为1），然后再计算点积（此时点积等于余弦相似度）或欧氏距离，这样能消除光照等因素的影响，使比较更稳定。

• 输出

  一个具体的数值分数，代表两张人脸的相似度。

第五步：设定阈值与判断

目标：根据相似度分数得出最终结论——是否是同一个人。

• 操作

  根据具体应用场景设定一个阈值。

  • 如果 相似度分数 >= 阈值，则判断为 同一个人。

  • 如果 相似度分数 < 阈值，则判断为 不同的人。

• 阈值选择

  这个阈值不是固定的，需要通过大量实验来确定。在安全要求高的场景（如手机解锁），阈值会设得较高；在便利性为主的场景（如相册聚类），阈值可以稍低。

简单代码示例

import face_recognition

# 加载图片
image_a = face_recognition.load_image_file("person1.jpg")
image_b = face_recognition.load_image_file("person2.jpg")

# 第一步&第二步：检测人脸并提取特征向量（库内部自动完成了对齐）
encoding_a = face_recognition.face_encodings(image_a)
encoding_b = face_recognition.face_encodings(image_b)

iflen(encoding_a) == 0:
print("在 image_a 中未找到人脸！")
eliflen(encoding_b) == 0:
print("在 image_b 中未找到人脸！")
else:
# 取第一张检测到的人脸
    encoding_a = encoding_a[0]
    encoding_b = encoding_b[0]

# 第三步&第四步：计算相似度（使用欧氏距离）
# face_distance 实际上是计算归一化后向量的欧氏距离，距离越小越相似
    distance = face_recognition.face_distance([encoding_a], encoding_b)[0]
# 也可以将其转换为一个更直观的相似度分数（例如： 1 - distance）
    similarity_score = 1 - distance

print(f"人脸特征向量间的欧氏距离: {distance:.4f}")
print(f"转换后的相似度分数: {similarity_score:.4f}")

# 第五步：判断（这里以0.85为阈值示例，实际需要调整）
    threshold = 0.85
if similarity_score >= threshold:
print("判断为：同一个人")
else:
print("判断为：不同的人")

总结

比较两张人脸相似度的核心在于 将人脸图像转化为一个鲁棒的、可度量的数学特征向量。整个流程环环相扣，任何一步的失误都会影响最终结果。选择合适的人脸检测、对齐模型以及高质量的特征提取模型，是保证高精度的关键

FaceAISDK API iOS与Android平台详细接入（静态人脸对比API开放使用无限制 ）

iOS SDK： https://github.com/FaceAISDK/FaceAISDK_iOS
Android：     https://github.com/FaceAISDK/FaceAISDK_Android

体验Android APK 下载 ： https://www.pgyer.com/faceVerify