前情提要
通过上一篇我们就可以对图片中的人脸进行识别，这篇文章就来教大家怎么对人脸部分进行截取保存。并且将图片中的每张人脸编码成一个128维长度的向量，通过这个后续能在人脸之间进行比对。
PIL导入
由于我们需要进行切割和保存所有我这里使用了PIL库进行，Python图像库PIL(Python Image Library)是python的第三方图像处理库，但是由于其强大的功能与众多的使用人数，几乎已经被认为是python官方图像处理库了。其官方主页为:PIL。 PIL历史悠久，原来是只支持python2.x的版本的，后来出现了移植到python3的库pillow,pillow号称是friendly fork for PIL,其功能和PIL差不多，但是支持python3。conda环境中只需activate "你所使用的环境" 然后 conda install pillow 即可，python默认环境中只需pip install pillow ，或是都可通过pycharm搜索pillow进行下载
人脸编码函数——face_encodings
face_encodings( face_image , known_face_locations=None , num_jitters=1 ) 给定一个图像，返回图像中每个人脸的128脸部编码（特征向量）。 参数： face_image ： 输入的人脸图像 known_face_locations ： 可选参数，如果你知道每个人脸所在的边界框 num_jitters=1 ： 在计算编码时要重新采样的次数。越高越准确，但速度越慢（100就会慢100倍）
返回值： 一个128维的脸部编码列表，返回值类型为：List[Dict[str,List[Tuple[Any,Any]]]]，是由各个脸部特征关键点位置组成的字典记录 列表，一个Dict对象对应图片中的一个人脸，其key为某个脸部特征： 如输出中的nose_bridge、left_eye等，value是由该脸部特征各个关键点位置组成的List，关键点位置是一个Tuple。
切割
而我们想要对人脸部分实现截图保存只需要通过上篇文章中face_locations函数定位到人脸部分时进行切割即可我用到的是Image.crop()方法进行切割。具体代码如下（有详细解释，嘿嘿）
具体代码
Main
import face_recognition
from PIL import Image
import Test3 # 导入Test3
'''
图片中人脸截图保存
'''
img = Image.open("2.png")
image = face_recognition.load_image_file("2.png")
face_locations = face_recognition.face_locations(image) # 参数(top, right, bottom, left) 上右角 下左角
for i in range(len(face_locations)):
top, right, bottom, left = face_locations[i]
region = img.crop((left, top, right, bottom)) # 参数(left, upper, right, lower) 左上角 右下角 进行切割
region.save(str(i)+"_.jpg") # 保存
region.show() # 展示
Test3.demoFunc("2.png") # 调用Test3中的demoFunc()方法Test3
import face_recognition
def demoFunc(path):
'''
将图片中的每张人脸编码成一个128维长度的向量
'''
image = face_recognition.load_image_file(path)
face_encodings = face_recognition.face_encodings(image) #将单个人脸数据转化为一个128维的向量
for i in face_encodings:
print("i:", i)结果展示
又到了激动人心的展示时刻了
总结
人脸识别第二期结束，如果大家觉得还不错有所帮助的话可以点点小赞哈哈，大家一起努力进步！
