以前我们提到“人脸识别”，很多人的第一反应是：
调用百度AI接口。
调用腾讯云人脸识别。
买一套商业门禁系统。
但是对于程序员来说，总感觉少了一点参与感。
毕竟：
调用一个接口，只能证明你会调用接口。
真正有意思的是：
能不能自己写一个简单的人脸识别系统？
答案是：
可以。
而且并没有想象中那么复杂。
今天我们就使用 Python + OpenCV + face_recognition，实现一个完整的人脸识别 Demo：
它具备两个功能：
- 录入人脸信息
- 打开摄像头实时识别人脸
最终效果：
打开摄像头后：
- 如果检测到已经注册的人脸
- 系统会显示用户姓名
- 标记绿色识别框
如果是不认识的人：
- 标记红色框
- 显示 Unknown Person
整个过程：
不需要调用任何云服务。
所有计算：
都发生在你的电脑本地。
实现原理简单介绍
在开始写代码之前，我们先了解一下人脸识别到底是怎么工作的。
很多初学者可能认为：
人脸识别是不是拿照片直接比较？
实际上不是。
现代人脸识别大概分为几个步骤：
第一步：检测人脸
首先需要知道：
图片里面哪里有人脸。
比如：
+----------------+
| |
| 人脸 |
| |
+----------------+这一步叫：
Face Detection。
第二步：提取人脸特征
找到人脸以后：
AI模型会把这张脸转换成一个数字向量。
例如：
[
0.124,
-0.532,
0.332,
...
]这个过程叫：
Face Embedding。
简单理解：
就是给每个人生成一个“数字身份证”。
张三：
[
0.23,
0.54,
0.12
]李四：
[
0.87,
0.21,
0.66
]两个人的数据天然不同。
第三步：计算相似度
当摄像头再次拍到人脸：
系统会：
- 提取当前人脸特征
- 和数据库里面保存的数据比较
例如：
当前人脸:
[0.23,0.54,0.12]
数据库:
张三:
[0.24,0.53,0.11]
距离很近
=> 判断为张三这就是整个识别流程。
环境准备
本文代码基于 Python。
建议环境：
- Python 3.9+
- Windows / MacOS / Linux 均可
项目结构：
face-demo
├── face_demo.py
├── face.jpg
├── alex.pkl
└── Pipfile其中：
.pkl
文件就是保存的人脸特征数据。
废话不多说，我们直接上干货。
文中提供了全部代码，你完全可以将代码拷贝过去，直接运行。
这个 demo 片段代码依赖四个核心库，你可以使用 pip 或者 pipenv 进行安装（当然也可以用最近贼火的 uv）
反正，目的只有一个，把下面的库安装好，就完事儿～
uv add face_recognition opencv-python numpy dlib专业避坑：
这里的 dlib 库是真正的幕后大佬，但它在Windows系统下直接 pip install 极大概率会报错。为什么？因为它需要编译C++代码。
Windows用户： 在安装 dlib 之前，你需要先安装 CMake，并且在电脑上安装 Visual Studio C++ Build Tools 然后再执行安装命令，应该就能丝滑成功。
Mac/Linux用户：基本上直接安装即可，非常友好。
源码奉上
准备好环境后，新建一个 Python 文件（比如 face_door.py），把下面的代码复制进去。为了方便大家阅读，基本上我都写了比较详细的注释，大家认真看看基本上问题就
import cv2
import face_recognition
import numpy as np
import pickle
import os
# ===================================================
# 一、录入人脸函数
# ===================================================
def register_face(img_path, name):
"""
从指定图片中检测人脸，并保存人脸特征向量
:param img_path: 人脸照片路径（尽量纯色背景，五官清晰）
:param name: 用户姓名（用于文件名保存，建议不要用中文字符）
"""
# 读取图片
img = face_recognition.load_image_file(img_path)
# 提取人脸特征（也就是传说中的 128维 embedding 向量）
encodings = face_recognition.face_encodings(img)
if len(encodings) > 0:
# 现实情况一张图可能有多个脸，这里我们简单粗暴只取第一张人脸
known_encoding = encodings[0]
# 使用 pickle 将特征向量序列化保存为本地文件
data = {"name": name, "encoding": known_encoding}
with open(f"{name}.pkl", "wb") as f:
pickle.dump(data, f)
print(f"[SUCCESS] 人脸注册成功：{name}.pkl 已保存。")
else:
print("[ERROR] 未检测到人脸，请使用清晰正面照。")
# ===================================================
# 二、实时人脸识别函数
# ===================================================
def recognize_face():
"""
打开摄像头实时识别人脸，与已注册人脸进行比对
"""
# 检查当前目录下是否有注册过的人脸特征文件
pkl_files = [f for f in os.listdir() if f.endswith(".pkl")]
if not pkl_files:
print("[ERROR] 未找到注册人脸文件，请先调用 register_face() 注册人脸。")
return
# 将所有注册过的人脸特征加载到内存中
known_faces = []
for file in pkl_files:
with open(file, "rb") as f:
known_faces.append(pickle.load(f))
print(f"[INFO] 已加载 {len(known_faces)} 个已注册人脸。")
# 打开摄像头
# 【专业提示】：0 通常代表笔记本自带的内置摄像头，1 代表外接的USB摄像头。
# 如果运行后摄像头没亮或者报错，请把这里的 1 改成 0 试试！
cap = cv2.VideoCapture(1)
if not cap.isOpened():
print("[ERROR] 无法打开摄像头，请检查设备。")
return
print("[CAMERA] 摄像头已开启，按 'q' 退出。")
recognition_status = "" # 当前识别状态
while True:
ret, frame = cap.read()
if not ret:
break
# OpenCV 默认读取的格式是 BGR，而 face_recognition 需要 RGB 格式
# 所以必须做一次色彩空间转换，否则识别率会大打折扣
rgb_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
# 定位画面中的所有人脸位置
face_locations = face_recognition.face_locations(rgb_frame)
# 提取画面中所有人脸的特征向量
face_encodings = face_recognition.face_encodings(rgb_frame, face_locations)
recognized = False # 标志：是否有人脸匹配成功
# 遍历画面中检测到的每一张人脸
for (top, right, bottom, left), face_encoding in zip(face_locations, face_encodings):
name = "Unknown Person" # 默认未知访客
color = (0, 0, 255) # 红色画框代表不认识、警告
# 拿画面中的脸，和我们库里注册过的脸挨个比对
for known in known_faces:
# tolerance=0.5 是容错率。数字越小越严格（默认0.6）。
# 调成0.5可以有效防止把长得像的人误认。
result = face_recognition.compare_faces([known["encoding"]], face_encoding, tolerance=0.5)
# 计算人脸距离，距离越小越相似
distance = face_recognition.face_distance([known["encoding"]], face_encoding)
if result[0]:
# 匹配成功！
name = f"{known['name']} Bingo! Similarity: {1 - distance[0]:.2f}"
color = (0, 255, 0) # 绿色代表放行
recognized = True
break
# 使用 OpenCV 绘制识别框与名字
# 【专业提示】：cv2.putText 默认不支持中文，强行输入中文会变成问号。
# 这也是为什么这里的提示语我都用了英文。
cv2.rectangle(frame, (left, top), (right, bottom), color, 2)
cv2.putText(frame, name, (left, top - 10),
cv2.FONT_HERSHEY_SIMPLEX, 0.9, color, 2)
# =======================
# 状态提示区（左上角文字显示）
# =======================
if len(face_locations) == 0:
recognition_status = "no check face"
color = (0, 255, 255) # 黄色提示
elif recognized:
recognition_status = "success"
color = (0, 255, 0)
print("[SUCCESS] 人脸识别成功，身份验证通过。")
else:
recognition_status = "fail"
color = (0, 0, 255)
print("[ERROR] 未匹配到已注册人脸。")
# 将当前状态渲染在画面左上角
cv2.putText(frame, recognition_status,
(50, 50), cv2.FONT_HERSHEY_SIMPLEX,
1.0, color, 2)
cv2.imshow("Face Recognition Demo", frame)
# 监听键盘，按下小写字母 q 退出死循环
if cv2.waitKey(1) & 0xFF == ord('q'):
break
# 释放资源
cap.release()
cv2.destroyAllWindows()
# ===================================================
# 三、主程序入口
# ===================================================
if __name__ == "__main__":
# 【第一步】：找一张你自己的清晰正脸照，命名为 face.jpg 放在代码同级目录下。
# 然后取消下面这行代码的注释，运行一次程序，完成“人脸录入”。
# 录入成功后，你会看到目录多了一个 zhangsan.pkl 文件，这时候可以把这行代码重新注释掉。
# register_face("face.jpg", "zhangsan")
# 【第二步】：确保已经生成了 .pkl 文件后，运行下面这个函数。
# 你的摄像头就会亮起，把脸凑过去，见证奇迹的时刻就到了。
recognize_face()
# 【附加功能】：如果你不知道自己的摄像头编号，取消下面这段注释运行一下。
# 它会帮你测试并打印出哪些摄像头是可用的。
# for i in range(4):
# print(f"测试摄像头 {i} ...")
# cap = cv2.VideoCapture(i)
# if cap.isOpened():
# print(f"[SUCCESS] 摄像头 {i} 可用")
# cap.release()好了，上面就是所有的源码了，当然，上面的代码距离工业使用上还有很多地方需要优化的，比如：人脸数据库存储呀，多人脸识别，活体检测什么的，但这对于大家想跑跑 demo ，想了解人脸识别是怎么做的，应该还是足够了。
希望你玩得愉快～
