人脸识别相似度比对 Skill#

工作流程概览#

text

输入: 图片A + 图片B
   ↓
① 人脸检测 (YuNet 或 Haar Cascade)
   ↓
② 人脸区域裁剪 + 对齐
   ↓
③ 特征提取 (SFace ONNX 或 HOG+Patch)
   ↓
④ 余弦相似度计算
   ↓
输出: 相似度分数 (0~1) + 判断结论

---

第一步：确认图片输入#

用户上传的图片位于 /mnt/user-data/uploads/ 下，使用 view 工具列出可用文件：

bash

ls /mnt/user-data/uploads/

将两张图片路径记为 IMAGE_A 和 IMAGE_B。

---

第二步：选择算法方案#

根据环境自动选择最优方案：

方案检测器特征提取器精度条件**方案A（推荐）YuNet ONNXSFace ONNX★★★★★需要 .onnx 模型文件方案B（通用）**Haar CascadeHOG + Patch Histogram★★★☆☆仅需 OpenCV 内置

如何判断用哪个方案：运行脚本时自动检测，优先使用方案A，若模型文件不存在则自动降级为方案B。

方案A 模型下载（可选，推荐）：

text

https://github.com/opencv/opencv_zoo/raw/main/models/face_detection_yunet/face_detection_yunet_2023mar.onnx
https://github.com/opencv/opencv_zoo/raw/main/models/face_recognition_sface/face_recognition_sface_2021dec.onnx

将两个 .onnx 文件放在工作目录或 /tmp/ 下。

---

第三步：执行识别脚本#

使用以下脚本（也可直接调用 scripts/face_compare.py）：

bash

python3 /home/claude/face-recognition/scripts/face_compare.py \
  --img1 IMAGE_A \
  --img2 IMAGE_B \
  --output /tmp/face_result.jpg

脚本会自动：

1. 检测两张图片中的人脸区域
2. 裁剪并标注人脸框
3. 提取人脸特征向量
4. 计算余弦相似度
5. 输出带标注的对比图 + 相似度分数

---

第四步：解读结果并向用户汇报#

相似度分数判读表#

相似度分数判断结论0.90 ~ 1.00✅ 极高概率为同一人（强烈匹配）0.75 ~ 0.90✅ 很可能为同一人（高置信度）0.60 ~ 0.75⚠️ 可能为同一人（中等置信度，建议人工核验）0.40 ~ 0.60❓ 不确定（低置信度）0.00 ~ 0.40❌ 很可能不是同一人

注意：以上阈值基于方案B（HOG特征）。若使用方案A（SFace），推荐阈值为 >0.593（余弦距离）。

向用户展示的格式示例#

text

📊 人脸识别结果
━━━━━━━━━━━━━━━━━━━━
图片A：检测到 1 张人脸 ✓
图片B：检测到 1 张人脸 ✓

相似度分数：0.847
判断结论：✅ 很可能为同一人（高置信度）

使用算法：SFace (OpenCV FaceRecognizerSF)
━━━━━━━━━━━━━━━━━━━━

---

异常处理#

问题原因处理方式未检测到人脸图片质量差/无正脸告知用户并建议换图检测到多张人脸图中有多人取最大人脸（面积最大）处理，提示用户图片无法读取格式不支持提示支持 JPG/PNG/BMP/WEBP相似度结果异常光线/角度差异大在结果中加注"受光照/角度影响，结果仅供参考"

---

详细实现参考#

→ 查看 scripts/face_compare.py 获取完整可执行代码 → 查看 references/algorithm_notes.md 了解算法原理说明