使用Python进行人脸识别后存储数据，可结合相关库来实现。以下是一种常见的实现思路： ### 数据收集与模型训练 借助`Face_recognition`库获取人脸数据并训练模型。此库可以快速创建面部编码，为后续识别与数据存储做准备。 ```python import face_recognition import os # 数据收集 known_faces = [] known_names = [] # 假设人脸数据存放在 'faces' 文件夹中，每个子文件夹以人名命名 face_dir = 'faces' for person_name in os.listdir(face_dir): person_dir = os.path.join(face_dir, person_name) if os.path.isdir(person_dir): for filename in os.listdir(person_dir): image_path = os.path.join(person_dir, filename) image = face_recognition.load_image_file(image_path) face_encoding = face_recognition.face_encodings(image)[0] known_faces.append(face_encoding) known_names.append(person_name) ``` ### 人脸识别并存储数据 使用训练好的模型对新的人脸进行识别，并将识别结果存储到文件中，这里以存储为CSV文件为例。 ```python import csv # 假设新的人脸图像为 'unknown.jpg' unknown_image = face_recognition.load_image_file('unknown.jpg') unknown_face_encodings = face_recognition.face_encodings(unknown_image) # 存储识别结果 with open('recognition_results.csv', 'a', newline='') as csvfile: fieldnames = ['image_path', 'recognized_name'] writer = csv.DictWriter(csvfile, fieldnames=fieldnames) # 如果文件为空，写入表头 if csvfile.tell() == 0: writer.writeheader() for unknown_face_encoding in unknown_face_encodings: results = face_recognition.compare_faces(known_faces, unknown_face_encoding) if True in results: first_match_index = results.index(True) recognized_name = known_names[first_match_index] else: recognized_name = 'Unknown' # 存储识别结果 writer.writerow({'image_path': 'unknown.jpg', 'recognized_name': recognized_name}) ``` ### 解释 - **数据收集**：遍历存储人脸数据的文件夹，使用`face_recognition`库加载图像并提取面部编码，将编码和对应的人名分别存储在`known_faces`和`known_names`列表中。 - **人脸识别**：加载新的人脸图像，提取其面部编码，与已知的面部编码进行比较，找出最匹配的结果。 - **数据存储**：将识别结果存储到CSV文件中，文件名为`recognition_results.csv`，包含图像路径和识别出的人名两列。