人脸识别相似度比对 Skill

工作流程概览

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 IMAGEA 和 IMAGEB。

第二步：选择算法方案

根据环境自动选择最优方案：

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）：

https://github.com/opencv/opencvzoo/raw/main/models/facedetectionyunet/facedetectionyunet2023mar.onnx
https://github.com/opencv/opencvzoo/raw/main/models/facerecognitionsface/facerecognitionsface2021dec.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. 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

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

📊 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

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