مقارنة الوجوه في Python لا تعني معرفة اسم أي شخص من صورة مجهولة. هذا الدرس يقارن وجهًا في reference.jpg بوجه في candidate.jpg ويعرض مسافة بين تمثيلين عدديين. إذا كانت الصور المرجعية مرتبطة بأسماء، يمكن بناء سجل محلي، لكن المكتبة لا تجلب أسماء من الإنترنت. استخدم صورًا مصرحًا لك بمعالجتها، ولا تعتمد هذا المثال وحده لاتخاذ قرار هوية أو منح وصول إلى حساب.
التجهيز والمتطلبات
python -m pip install face_recognitionمتطلبات التثبيت والصور
تعتمد face_recognition على dlib وتبعيات قد تحتاج أدوات بناء حسب نظامك وإصدار Python. ابدأ ببيئة افتراضية وراجع تعليمات المشروع إذا فشل تثبيت dlib؛ لا تثبت ملفًا تنفيذيًا مجهولًا لتجاوز الخطأ. ضع وجهًا واضحًا واحدًا في كل صورة، وقلل الميل والطمس. يستخدم المثال نموذج hog للكشف كي لا يفترض توفر GPU أو نموذج CNN. اختلاف الإضاءة والزوايا قد يغير النتيجة حتى للشخص نفسه.
فحص عدد الوجوه قبل استخراج التمثيل
تقرأ load_image_file الصورة ثم نطلب face_locations. يجب أن يوجد وجه واحد بالضبط في كل ملف، وإلا نرفع ValueError توضح العدد. لا نأخذ encodings[0] قبل التأكد من وجود عنصر؛ فهذا سبب شائع لخطأ IndexError. تمرير المواقع المكتشفة إلى face_encodings يربط التمثيل بالمنطقة نفسها ويجنب كشفًا إضافيًا غير مقصود. وجود عدة وجوه يستلزم اختيارًا واضحًا من المستخدم أو معالجة كل وجه على حدة.
المثال البرمجي الكامل
import face_recognition
def single_encoding(path):
image = face_recognition.load_image_file(path)
locations = face_recognition.face_locations(image, model="hog")
if len(locations) != 1:
raise ValueError(f"Expected exactly one face in {path}; found {len(locations)}")
encodings = face_recognition.face_encodings(image, known_face_locations=locations)
if len(encodings) != 1:
raise ValueError("Cannot create a face encoding")
return encodings[0]
def compare_images(reference_path, candidate_path, tolerance=0.6):
if not 0 < tolerance <= 1:
raise ValueError("Choose a positive distance threshold up to 1 for this demo")
reference = single_encoding(reference_path)
candidate = single_encoding(candidate_path)
distance = float(face_recognition.face_distance([reference], candidate)[0])
return distance, distance <= tolerance
if __name__ == "__main__":
distance, matched = compare_images("reference.jpg", "candidate.jpg")
print("Distance:", distance)
print("Within chosen threshold:", matched)
المسافة والعتبة ليستا نسبة يقين
تنتج face_distance مسافة عددية، والأصغر يعني أن التمثيلين أقرب وفق النموذج. نقارنها بعتبة تعليمية مقدارها 0.6، لكن لا نعرض الناتج كنسبة مئوية ولا نعده ضمانًا للمطابقة. خفض العتبة يجعل شرط القبول أشد وقد يزيد الرفض الخاطئ، ورفعها قد يزيد القبول الخاطئ. اضبطها بتجارب مصرح بها ومناسبة لظروف التطبيق، مع أمثلة متشابهة ومختلفة، بدل الاعتماد على زوج صور ناجح.
التشغيل والتحقق وحدود الدرس
احفظ الملف باسم compare_faces.py ثم نفذ python compare_faces.py. راجع المسافة والقرار المنطقي، ثم جرّب صورة خالية من وجه وأخرى متعددة الوجوه لتتأكد أن الرسالة مفهومة. لا تخزن الصور أو التمثيلات أكثر مما تحتاج، ولا تضع ملفات الأشخاص في مستودع عام. هذه مقارنة صور ثابتة؛ مقاومة الصور المطبوعة أو إعادة عرض الفيديو تتطلب تصميمًا آخر، كما أن السرعة والدقة على كاميرا حية تحتاج اختبارًا فعليًا على الجهاز المستهدف.
كيف أختبر تعدد الوجوه؟
استخدم صورة تجريبية مصرحًا بها تحتوي أكثر من وجه وتأكد أن الدالة ترفضها قبل اختيار أول تمثيل. اختيار العنصر الأول لا يضمن أنه الشخص المقصود، وقد يتغير ترتيب الاكتشاف عند تغيير الصورة أو الإصدار. إذا أردت واجهة متعددة الوجوه، اعرض المناطق واجعل المستخدم يحدد المرجع المراد مقارنته، ثم اربط التمثيل بتلك المنطقة. لا تخلط نتيجة شخصين داخل قائمة واحدة دون حفظ العلاقة بين المسار والمنطقة والاسم المرجعي.
هل عتبة واحدة مناسبة لكل مشروع؟
لا تعتمد عتبة تعليمية باعتبارها معيار قبول عام. يجب قياس أمثلة تشبه ظروف الاستخدام، بما فيها الجودة المنخفضة والاختلاف في الزاوية والإضاءة، ثم مراجعة أثر القبول والرفض الخاطئين. كما أن المقارنة بين صورتين لا تثبت أن الشخص موجود حيًا أمام الكاميرا. إذا كان الاستخدام حساسًا، فالبرنامج التعليمي ليس بديلًا عن تصميم تحقق كامل ومراجعة ملائمة، ولا ينبغي ربط القرار مباشرة بإجراء لا يمكن الرجوع عنه.
ما الذي يجب حفظه أثناء التطوير؟
احفظ معايير التجربة والإصدار والمسافة والعتبة المستخدمة بدل حفظ صور إضافية بلا حاجة. الصور والتمثيلات المرتبطة بالأشخاص بيانات تستلزم ضبط الوصول والاحتفاظ والحذف. يمكن اختبار أخطاء غياب الوجه وتعدد الوجوه بمدخلات محددة ثم فصل ذلك عن قياس جودة النموذج على بيانات مصرح بها. نجاح مسار البيانات أو الاختبار الوهمي لا يثبت الدقة الفعلية للنموذج، لذلك سجل بوضوح نوع الاختبار الذي أجريته.
المراجع
مستودع face_recognition الرسمي
الصور والفيديو من الشرح السابق
الكود النصي أعلاه هو النسخة المصححة؛ قد تختلف المواد المرئية السابقة في أسماء المتغيرات أو طريقة التشغيل.







