English 繁體中文 简体中文

如何让实时人脸识别跑得更快(人脸识别,版本 8)?

林邦源博士 · AI 笔记 · 2026 年 11 月 13 日 · 约 6 分钟阅读

版本 7 能用,而且会卡。每一帧都按摄像头的原始分辨率付找脸和编码的成本,这份成本就是画面落后于你动作的原因。 版本 8 在宽度和高度都缩到一半的副本上做同样的识别,然后把框画回原始尺寸的画面。 输出看起来一样。等待变短了。

宽度减半,工作量是四分之一

一帧宽 1280 像素、高 720 像素,大约有 920,000 个像素。两个数字都减半,就是 640 乘 360, 大约 230,000 个——是四分之一,不是一半。检测是在画面里扫描图案,所以它的成本跟着像素数量走, 不跟宽度走。这就是为什么一个听起来保守的改动,能买回大部分速度。

1. 先量出画面有多大

cap = cv2.VideoCapture(0)
scale_ratio = 0.5
multiple = int(1 / scale_ratio)
ret, img = cap.read()
width = int(img.shape[1] * scale_ratio)
height = int(img.shape[0] * scale_ratio)
dim = (width, height)

摄像头必须在循环之前读一次,原因只有一个:不知道画面尺寸,就算不出更小的尺寸。 那一帧用完就被循环里的第一次读取替换掉,所以什么也没有浪费。

img.shape 先报高再报宽,所以 shape[1] 是宽,shape[0] 是高。 乘以 0.5 得到更小的数字,int 丢掉小数,因为尺寸必须是整数个像素。 dim 把这一对数字准备好,交给 cv2.resize。

multiple 是后面用来乘框的数字:1 / 0.5 是 2。两个比例都从一个变量算出来, 所以只改一处的 scale_ratio,两边就能保持一致。

2. 缩小画面,再在缩小后的画面上找

    ret, img = cap.read()
    resized = cv2.resize(img, dim, interpolation=cv2.INTER_NEAREST)
    rgb_img = cv2.cvtColor(resized, cv2.COLOR_BGR2RGB)
    face_locations = face_recognition.face_locations(rgb_img)
    face_encodings = face_recognition.face_encodings(rgb_img, face_locations)

原始尺寸的 img 保持不动,留给窗口用。版本 7 的每一次识别调用现在都换成接收 resized,所以找脸和编码都在四分之一的像素上做。

interpolation=cv2.INTER_NEAREST 的意思是每个新像素直接复制最近的那个旧像素。 它是各种缩放方法里最快、也最不好看的,这里不重要:小画面从来不给人看,只用来找。 窗口显示的仍然是原图。

3. 把框乘回原来的尺寸

    for face_loc, name in zip(face_locations, face_names):
        y1, x2, y2, x1 = face_loc[0], face_loc[1], face_loc[2], face_loc[3]
        y1 = y1 * multiple
        x2 = x2 * multiple
        y2 = y2 * multiple
        x1 = x1 * multiple

就是这一步会出错。脸是在小画面里找到的,所以那里顶部在 100 的框,在完整画面上应该在 200。 四条边都得先乘 2 再画。

忘了它不会崩溃,所以才容易漏掉。框只是出现在错误的位置、以错误的尺寸——通常挤在左上角, 尺寸是预期的一半。形状对但位置不对的框,几乎总是说明这个乘法被跳过了,或者只乘了四个数字里的某几个。

4. 按原始尺寸绘制和显示

        cv2.putText(img, name, (x1, y1 - 10), cv2.FONT_HERSHEY_DUPLEX, 1, (0, 200, 0), 2)
        cv2.rectangle(img, (x1, y1), (x2, y2), (0, 200, 0), 4)

    cv2.imshow("Frame", img)

绘制调用和版本 7 一样,收到的仍然是 img。唯一的区别是 x1, y1, x2, y2 里的数字已经还原到原始尺寸的比例。

完整程序

版本 1 的下载里已经有这个文件,不需要重新安装:

import face_recognition
import cv2
import os
import glob
import numpy as np
images_folder = "images"
images_path = glob.glob(os.path.join(images_folder, "*.*"))

known_face_encodings=[]
known_face_names=[]
for img_path in images_path:
    img = cv2.imread(img_path)
    rgb_img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    basename = os.path.basename(img_path)
    (filename, ext) = os.path.splitext(basename)
    img_encoding = face_recognition.face_encodings(rgb_img)[0]
    known_face_encodings.append(img_encoding)
    known_face_names.append(filename)

cap = cv2.VideoCapture(0)
scale_ratio = 0.5
multiple = int(1 / scale_ratio)
ret, img = cap.read()
width=int(img.shape[1]*scale_ratio)
height=int(img.shape[0]*scale_ratio)
dim=(width,height)

while True:
    ret, img = cap.read()
    resized=cv2.resize(img,dim,interpolation=cv2.INTER_NEAREST)
    rgb_img = cv2.cvtColor(resized,cv2.COLOR_BGR2RGB)
    face_locations = face_recognition.face_locations(rgb_img)
    face_encodings = face_recognition.face_encodings(rgb_img, face_locations)

    face_names = []
    for face_encoding in face_encodings:
        matches = face_recognition.compare_faces(known_face_encodings, face_encoding)
        name = "Unknown"
        face_distances = face_recognition.face_distance(known_face_encodings, face_encoding)
        best_match_index = np.argmin(face_distances)
        if matches[best_match_index]:
            name = known_face_names[best_match_index]
        face_names.append(name)

    for face_loc, name in zip(face_locations, face_names):
        y1, x2, y2, x1 = face_loc[0], face_loc[1], face_loc[2], face_loc[3]
        y1=y1*multiple
        x2=x2*multiple
        y2=y2*multiple
        x1=x1*multiple
        cv2.putText(img, name, (x1, y1 - 10), cv2.FONT_HERSHEY_DUPLEX, 1, (0, 200, 0), 2)
        cv2.rectangle(img, (x1, y1), (x2, y2), (0, 200, 0), 4)

    cv2.imshow("Frame", img)
    key = cv2.waitKey(1)
    if key in (ord('q'), ord('Q')):
        break

cap.release()
cv2.destroyAllWindows()

选择比例

0.5 是笔记本上合理的起点。数值越低,越快也越看不清:

有一个要求:1 / scale_ratio 必须算出整数,因为 int 会截断。 0.5 得 2,0.25 得 4,都没问题。像 0.7 这样的比例算出 1.42, 截断成 1,框就永远不会被放大——和上面一样的安静错位。如果你要四分之三,自己算 multiple,例如 multiple = 1.4286,并且让它保持小数,不要套上 int。

会看到什么

先加上你自己的照片

和版本 7 一样,只有当 images 文件夹里有那个名字的文件时,脸才会被叫出名字, 例如 Peter 对应 Peter.jpg。没有它,不管比例是多少,每张脸都会报成 Unknown。

在自己的电脑上运行

用和版本 1 相同的下载: 下载 zip 文件,解压, 在 Visual Studio Code 里打开文件夹。这篇笔记用的是 face08.py。 在这个文件夹里第一次运行时,三行都跑:

uv python pin 3.12.10
uv sync
uv run face08.py

这三行只需要一次。下次想再运行程序,只打 uv run face08.py。

下一步

速度不再是问题,但标签还在闪:几帧一个名字,然后 Unknown,然后又变回名字。 版本 9 是系列的最后一篇,处理这个闪烁。