在人脸识别中，当检测到图片中的人脸后判断两张人脸图像是否为同一个人时，常需要计算人脸图像间的相似度。一般处理方法是将未知图形的模块和已知图形模块的视觉特征用矩阵来表示， 单纯的转化为矩阵之间相似性的比较，从而使匹配变得相对简单，也更有理论依据。图像间的距离反映了图像的相似程度，距离越近，图像的相似程度就越高，反之相似程度就越低。

欧氏距离

欧氏距离是测量两个特征矩阵的简单方法，即通过对应位置元素的差来计算特征矩阵的相似度。欧氏距离是一个通常采用的距离定义,它是在m维空间中两个点之间的真实距离。在n维空间中其距离公式为

人脸特征向量提取

在计算两幅人脸图像间的欧氏距离时，需要提取得到人脸特征点的特征向量，将包含人脸关键信息的位置转换成向量矩阵，从而计算两幅人脸对应位置的相似度。一般来说可以使用dlib人脸处理库中的由残差神经网络训练的模型进行人脸特征点68维向量提取，为后续计算做好准备。

判别准则

采用欧氏距离模型计算图像间相似度时，通常设置两个判断条件

1、取出所计算的距离矩阵中的最小值

2、设置阈值0.5，判断该最小值与阈值的大小关系，若大于阈值则不是同一个人脸，若小于则为同一个人。

最后，想学习Python的小伙伴们！

请关注+私信回复：“学习”就可以拿到一份我为大家准备的Python学习资料！

pytyhon学习资料

python学习资料