这里的“简单”指的是使用现有的、成熟的第三方库，而不是从零开始编写复杂的机器学习算法，对于初学者和大多数应用场景来说，这是最实际、最高效的方法。

我们将使用 Python 语言和两个非常流行的库：

1. OpenCV (opencv-python)：用于图像和视频处理，比如打开摄像头、检测人脸。
2. face_recognition：这是一个基于 dlib 的强大库，它封装了复杂的深度学习模型，能非常简单地实现人脸检测和人脸识别（特征编码和比对）。

第一步：安装必要的库

你需要安装这些库,打开你的终端或命令行工具，运行以下命令：

# 安装 OpenCV
pip install opencv-python
# 安装 face_recognition 库
pip install face_recognition
# (可选) face_recognition 的底层依赖 dlib，如果安装 face_recognition 时失败，可能需要单独安装
# Windows: 可能需要下载预编译的 wheel 文件
# macOS: brew install dlib
# Linux: sudo apt-get install build-essential cmake libboost-python-dev python3-dev
pip install dlib

第二步：准备数据

人脸识别系统需要一个“已知人员”的数据库，这个数据库通常包含：

1. 一张或多张每个人的清晰正面照片。
2. 照片中人脸的“特征编码”（Embedding），这是一个数学向量，可以代表人脸的独特特征。

我们先来创建一个简单的数据库,在你的项目文件夹下，创建一个名为 known_faces 的文件夹，并在里面放入几张不同人的照片，

• known_faces/elon_musk.jpg
• known_faces/tim_cook.jpg
• known_faces/sundar_pichai.jpg

重要提示：确保照片中的人脸清晰、正面，光照良好，并且只包含一张人脸，这样效果最好。

第三步：编写代码

我们将分两步来写代码：

1. 初始化阶段：加载已知照片，计算并存储人脸特征编码。
2. 实时识别阶段：打开摄像头，实时捕获画面，检测人脸，并与已知数据库进行比对。

创建一个 Python 文件，face_recognition_app.py，并粘贴以下代码：

import cv2
import face_recognition
import numpy as np
# --- 1. 初始化阶段：加载已知人脸 ---
# 创建一个字典来存储已知人脸的编码和名字
known_face_encodings = []
known_face_names = []
# 指定已知人脸图片的文件夹路径
known_faces_path = "known_faces/"
# 遍历文件夹中的所有图片
for filename in os.listdir(known_faces_path):
    if filename.endswith((".jpg", ".jpeg", ".png")):
        # 加载图片
        image_path = os.path.join(known_faces_path, filename)
        image = face_recognition.load_image_file(image_path)
        try:
            # 获取图片中第一个人脸的编码（假设每张图只有一张人脸）
            face_encoding = face_recognition.face_encodings(image)[0]
            # 使用文件名（不带扩展名）作为人名
            name = os.path.splitext(filename)[0]
            known_face_encodings.append(face_encoding)
            known_face_names.append(name)
            print(f"已加载人脸: {name}")
        except IndexError:
            print(f"警告: {filename} 中未检测到人脸，已跳过。")
# --- 2. 实时识别阶段：打开摄像头进行实时检测 ---
# 打开默认摄像头 (0)
# 如果你的摄像头是别的编号，可以尝试 1, 2, ...
video_capture = cv2.VideoCapture(0)
while True:
    # 读取摄像头的一帧画面
    ret, frame = video_capture.read()
    if not ret:
        print("无法获取摄像头画面，退出。")
        break
    # 将 BGR 格式的 OpenCV 图像转换为 RGB 格式，因为 face_recognition 使用 RGB
    rgb_frame = frame[:, :, ::-1]
    # 在当前帧中查找所有人脸的位置
    # 返回人脸的边界框列表
    face_locations = face_recognition.face_locations(rgb_frame)
    # 获取当前帧中所有人脸的编码
    face_encodings = face_recognition.face_encodings(rgb_frame, face_locations)
    # 遍历当前帧中的每一张人脸
    for (top, right, bottom, left), face_encoding in zip(face_locations, face_encodings):
        # 将当前人脸与已知人脸进行比对
        # 返回一个布尔值的列表，表示是否匹配
        matches = face_recognition.compare_faces(known_face_encodings, face_encoding, tolerance=0.5)
        name = "Unknown" # 默认名字为 "Unknown"
        # 如果找到匹配项
        if True in matches:
            # 找到所有匹配的索引
            matched_indices = [i for i, match in enumerate(matches) if match]
            # 获取第一个匹配的名字（如果有多张照片是同一个人，取第一个）
            name = known_face_names[matched_indices[0]]
        # --- 在画面上绘制结果 ---
        # 画一个矩形框住人脸
        cv2.rectangle(frame, (left, top), (right, bottom), (0, 255, 0), 2)
        # 在人脸下方显示名字
        cv2.rectangle(frame, (left, bottom - 35), (right, bottom), (0, 255, 0), cv2.FILLED)
        font = cv2.FONT_HERSHEY_DUPLEX
        cv2.putText(frame, name, (left + 6, bottom - 6), font, 1.0, (0, 0, 0), 1)
    # 显示结果画面
    cv2.imshow('Face Recognition', frame)
    # 按 'q' 键退出
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break
# 释放摄像头资源并关闭所有窗口
video_capture.release()
cv2.destroyAllWindows()

注意：代码开头需要导入 os 模块，请确保在文件顶部添加 import os。

第四步：运行和测试

1. 确保你的电脑已连接摄像头。
2. 将准备好的照片放入 known_faces 文件夹。
3. 运行你的 Python 脚本：

   python face_recognition_app.py

4. 一个窗口会弹出,显示你的摄像头画面，当你把脸对准摄像头时，程序会检测到你的脸，并在下方标注出它认识的人的名字（"elon_musk"），如果它不认识，就会显示 "Unknown"。

按 q 键可以退出程序。

代码详解与扩展

1. face_recognition.face_encodings(image)：

   • 这是核心步骤,它使用一个深度学习模型（ResNet-based）将人脸图像转换成一个 128 维的向量（编码）。
   • 这个向量可以看作是这张脸的“数学指纹”，相似的人脸，其向量在空间中的距离也相近。

2. face_recognition.compare_faces(known_encodings, face_encoding, tolerance)：

   • 这个函数会比较当前人脸编码和所有已知编码。
   • 它通过计算欧氏距离来判断是否为同一个人。tolerance 参数是阈值，值越小越严格，容错率越低，0.5 是一个不错的起点。

3. cv2.rectangle() 和 cv2.putText()：

   这是 OpenCV 的基本绘图功能，用于在视频帧上画出矩形框和文字，让结果可视化。

如何扩展这个简单实现？

• 处理多张照片：在上面的代码中，我们假设每张已知照片只有一张人脸，如果你想为同一个人提供多张照片以提高识别率，可以在初始化阶段收集所有照片的编码，并在 compare_faces 时，如果当前人脸与这个人的任意一张照片匹配，就认为是他。
• 保存和加载编码：每次启动程序都重新计算已知人脸的编码会很慢，你可以将计算出的编码和名字保存到一个文件（如 json 或 pickle）中，下次启动时直接加载，跳过计算步骤。
• 处理不同光照和角度：为了提高鲁棒性，可以在初始化时对图片进行一些预处理，如调整大小、转换为灰度图（虽然 face_recognition 内部处理了，但可以尝试其他方法），或者使用更多的人脸角度照片。
• 人脸对齐：更高级的系统会先进行人脸对齐，确保检测到的人脸是标准化的，这能显著提升识别准确率。

这个“简单实现”已经涵盖了人脸识别的核心逻辑，通过它，你可以快速搭建一个基础的人脸识别应用，并在此基础上进行更复杂的功能开发。