前情概要

经过上一篇咱们就可以对图片中的人脸进行辨认，这篇文章就来教我们怎样对人脸部分进行截取保存。而且将图片中的每张人脸编码成一个128维长度的向量，经过这个后续能在人脸之间进行比对。

PIL导入

由于咱们需要进行切开和保存一切我这里使用了PIL库进行，Python图画库PIL(Python Image Library)是python的第三方图画处理库，但是由于其强大的功用与众多的使用人数，几乎已经被认为是python官方图画处理库了。其官方主页为:PIL。 PIL历史悠久，原来是只支持python2.x的版别的，后来呈现了移植到python3的库pillow,pillow号称是friendly fork for PIL,其功用和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默许环境中只需pip install pillow ，或是都可经过pycharm查找pillow进行下载

人脸编码函数——face_encodings

face_encodings( face_image , known_face_locations=None , num_jitters=1 ) 给定一个图画，返回图画中每个人脸的128脸部编码（特征向量）。 参数： face_image ： 输入的人脸图画 known_face_locations ： 可选参数，如果你知道每个人脸地点的鸿沟框 num_jitters=1 ： 在计算编码时要从头采样的次数。越高越精确，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]]]]，是由各个脸部特征要害点方位组成的字典记载 列表，一个Dict目标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要害点方位组成的List，要害点方位是一个Tuple。

切开

而咱们想要对人脸部分实现截图保存只需要经过上篇文章中face_locations函数定位到人脸部分时进行切开即可我用到的是Image.crop()办法进行切开。详细代码如下（有详细解说，嘿嘿）

详细代码

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 进行切开 region.save(str(i)+"_.jpg") # 保存  region.show() # 展现 Test3.demoFunc("2.png") #  调用Test3中的demoFunc()办法

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)

结果展现

又到了激动人心的展现时刻了

总结

人脸辨认第二期结束，如果我们觉得还不错有所协助的话可以点点小赞哈哈，我们一起努力进步！