在这个场景中，当为同一个人存储多个人脸编码时，如何查找人脸编码之间的距离。。。（Python）_Python_Opencv_Neural Network_Artificial Intelligence_Face Recognition

在这个场景中，当为同一个人存储多个人脸编码时，如何查找人脸编码之间的距离。。。（Python）

python opencv neural-network artificial-intelligence

在这个场景中，当为同一个人存储多个人脸编码时，如何查找人脸编码之间的距离。。。（Python）,python,opencv,neural-network,artificial-intelligence,face-recognition,Python,Opencv,Neural Network,Artificial Intelligence,Face Recognition,我正在进行一项基于面部识别和验证的项目。 Iam使用暹罗网络获得人脸的128个向量（嵌入） I正在数据库中存储人脸的编码/嵌入，然后检查或说将传入人脸的编码与先前存储的编码匹配以识别此人为了创建一个健壮的系统，我必须存储同一个人的多个编码。当我只使用了一个编码向量，并且匹配了：人脸识别。比较人脸（存储的编码列表，检查图像编码）这并不总是有效，因为我只比较了单一编码。为了使系统能够满足大多数情况，我想存储同一个人的至少3种编码，然后与新数据进行比较现在的问题是：如何存储同一个人的多个

我正在进行一项基于面部识别和验证的项目。 Iam使用暹罗网络获得人脸的128个向量（嵌入）

I正在数据库中存储人脸的编码/嵌入，然后检查或说将传入人脸的编码与先前存储的编码匹配以识别此人

为了创建一个健壮的系统，我必须存储同一个人的多个编码。当我只使用了一个编码向量，并且匹配了：

人脸识别。比较人脸（存储的编码列表，检查图像编码）

这并不总是有效，因为我只比较了单一编码。为了使系统能够满足大多数情况，我想存储同一个人的至少3种编码，然后与新数据进行比较

现在的问题是：

如何存储同一个人的多个嵌入，然后比较距离

请帮我做这个

（使用face_recognition作为库和暹罗网络进行特征提取）

为了获得每个人物图像的编码，您可以使用face_recognition库的face_编码功能，然后通过比较这些编码之间的距离，您可以以自己的方式改进您的系统

例如：

encoding_1 = face_recognition.face_encodings(img_1)
encoding_2 = face_recognition.face_encodings(img_2)
encoding_3 = face_recognition.face_encodings(img_3)

encodings = [encoding_1,encoding_2,encoding3]

new_encoding = face_recognition.face_encodings(new_image)

for encoding in encodings:
    #to look at distance between two encoding vector, you can use numpy linear algebra functions (you can also use other distance metrics)
    distance = np.linalg.norm(new_encoding - encoding)
    
    if distance < threshold:
        return True

encoding_1=人脸识别。人脸编码（img_1）
encoding_2=人脸识别。人脸编码（img_2）
编码\u 3=人脸识别。人脸编码（img\u 3）
编码=[编码1，编码2，编码3]
新编码=人脸识别。人脸编码（新图像）
对于编码中的编码：
#要查看两个编码向量之间的距离，可以使用numpy线性代数函数（也可以使用其他距离度量）
距离=np.linalg.norm（新编码-编码）
如果距离<阈值：
返回真值

为了获得每个人物图像的编码，您可以使用人脸识别库的人脸编码功能，然后通过比较这些编码之间的距离，您可以以自己的方式改进您的系统

例如：

encoding_1 = face_recognition.face_encodings(img_1)
encoding_2 = face_recognition.face_encodings(img_2)
encoding_3 = face_recognition.face_encodings(img_3)

encodings = [encoding_1,encoding_2,encoding3]

new_encoding = face_recognition.face_encodings(new_image)

for encoding in encodings:
    #to look at distance between two encoding vector, you can use numpy linear algebra functions (you can also use other distance metrics)
    distance = np.linalg.norm(new_encoding - encoding)
    
    if distance < threshold:
        return True

encoding_1=人脸识别。人脸编码（img_1）
encoding_2=人脸识别。人脸编码（img_2）
编码\u 3=人脸识别。人脸编码（img\u 3）
编码=[编码1，编码2，编码3]
新编码=人脸识别。人脸编码（新图像）
对于编码中的编码：
#要查看两个编码向量之间的距离，可以使用numpy线性代数函数（也可以使用其他距离度量）
距离=np.linalg.norm（新编码-编码）
如果距离<阈值：
返回真值

如何比较每个人的多张脸假设您的数据库看起来像：

face_table {
    'person_name' : String,
    'embedding' : Array of 128 floats,
    'other_data' : Something,
    ...
}

你有一个功能

face_recognition.compare_faces(encoding_list, reference_encoding)

它返回

编码列表

的每个元素的概率分数，以及它与

参考编码

的匹配程度

你的主循环做了如下的事情

name_list, encoding_list = zip(query_database_for_encodings())
results = face_recognition.compare_faces(encoding_list, reference_encoding)
best = np.argmax(results)
return name_list[best]

解决方案1-添加记录在这个解决方案中，您可以简单地为同一个人向数据库添加多个记录

{ # record 1
    'person_name' : 'Alice',
    'embedding' : Array of 128 floats,
    'photo_number' : 1
}
{ # record 2
    'person_name' : 'Alice',
    'embedding' : Array of 128 floats,
    'photo_number' : 2
}
{ # record 3
    'person_name' : 'Bob',
    'embedding' : Array of 128 floats,
    'photo_number' : 1
}

等等，每个人都有多个记录

解决方案2-存储一个嵌入数组在这个解决方案中，每个人在数据库中都有一个嵌入数组，如下所示

face_table {
    'person_name' : String,
    'embedding_list' : Array of (Array of 128 floats),
    'other_data' : Something,
    ...
}

而你的另一个主循环代码可能会改变来处理它

records = query_database_returning_dictionary_results()

def generate_name_embedding_pairs(records):
    for record in records:
        name = record['person_name']
        for encoding_list in record['embedding_list']:
            yield name, encoding_list

name_list, encoding_list = zip(list(generate_name_embedding_pairs(records)))
results = face_recognition.compare_faces(encoding_list, reference_encoding)
best = np.argmax(results)
return name_list[best]