实时人脸识别系统仍然是计算机视觉领域非常热门的话题，许多公司已经开发了自己的解决方案，试图进入不断增长的市场。与传统的识别方法相比，实时人脸识别系统具有在连续帧中使用同一个人的多个实例的优势。
如果您希望利用实时人脸识别的优势，开源项目可能是一个很好的起点。由于源代码已发布，您可以看到它是如何工作的，并确保它不会窃取您的数据。在本文中，我们将帮助您浏览最好的开源人脸识别项目，并向您展示为什么选择开源软件通常是最佳选择。
开源人脸识别解决方案简介
人脸识别系统在功能和独特特性方面各不相同。但一般来说，使用人脸识别软件实现系统自动化的过程需要相同的基本步骤。
首先，您将相机放置在所需的位置并开始流式传输视频。相机的放置方式应使镜头获得足够的光线，并且拍摄对象将注视相机。如果无法完整地看到用户的脸部，相机应具有尽可能清晰的分辨率。为了不使人脸识别服务器过载，最好先检测运动。
为什么选择开源人脸识别项目？
开源软件有很多优点。首先，使用开源代码，您可以确定如何处理您的数据。其次，开源项目通常具有更高的质量。
错误可以非常快速地识别出来，因为代码正在由多个开发人员不断审查。第三，许可费较低，此类项目通常由内部开发或由可自由选择的IT服务提供商开发。很难找到过时的开源软件，因为它通常遵循现代软件开发实践。最后，开源被认为是代码成熟的下一个层次。它允许开发人员在几分钟内流利地理解代码，并激励他们进行研究。
最佳开源人脸识别软件
我们研究了实时开源人脸识别软件的 github 存储库，并准备了一份最佳选项列表：
1.deepface
该库支持不同的人脸识别方法，如 FaceNet 和 InsightFace。它还提供了 REST API，但它仅支持验证方法，因此无法创建人脸集合并在其中查找人脸。如果您是 Python 开发人员，即使它很容易上手，但其他人可能更难集成。截至 2021 年初的最新版本为 0.0.49。
该解决方案于 2020 年 <> 月才在 github 上发布，看起来非常有前途。CompreFace 入选了我们最好的开源人脸识别项目列表，因为它是为数不多的可以通过一个 docker-compose 命令启动的自托管 REST API 人脸识别解决方案之一。借助 REST API，您可以轻松地将其集成到系统中，而无需事先具备机器学习技能。此外，它是可扩展的，因此您可以同时识别多个视频流中的人脸。
CompreFace 具有用于管理用户角色和人脸集合的简单 UI。它可以在两种最流行的人脸识别方法之间进行选择：FaceNet（LFW 准确率为 99.65%）和 InsightFace（LFW 准确率为 99.86%）。它仍处于积极开发阶段，截至 2021 年初的最新版本是 0.5 版。
该解决方案的主要特点是它使用其 Python API 和二进制命令行工具。此外，所有主要平台的安装说明，甚至是用于快速设置的 docker 映像都可以在他们的 github 上找到。尽管它很受欢迎，但该软件有一些缺点。上一个版本是在 2018 年，从那时起就没有重大改进。它使用相当过时的人脸识别模型，在 LFW 上只有 99.38% 的准确率，并且没有 REST API。
InsightFace 是另一个开源 Python 库，它使用最新、最准确的人脸识别方法之一进行人脸检测 （RetinaFace） 和人脸识别 （SubCenter-ArcFace）。该解决方案的准确率非常高——在 LFW 数据集上为 99.86%。唯一的缺点是它不容易使用。
5. FaceNet
FaceNet 是一个流行的开源 Python 库。这种方法的准确率相当高——在 LFW 数据集上为 99.65%，这很好，但不是最高的。此解决方案的缺点是它没有 REST API，并且不再支持存储库（最后一次更新是在 2018 年 <> 月）。
这是 2019 年创建的另一个有前途的存储库，并于 2020 年 2021 月开始积极开发。与 CompreFace 一样，这是一个基于 docker 的解决方案，它提供了一个方便的 REST API。最大的优势是其开发人员将 InsightFace 的识别速度提高了三倍。此解决方案的缺点是它仅提供人脸嵌入，而不提供用于实际人脸识别的 API，因此您需要拥有自己的分类器。存储库仍然没有许可证，因此您需要询问作者是否可以使用它。截至 0 年初的最新版本是 v5.9.6.