人脸识别精度要求提升。

plugins/kid_photo_extractor/main.py

@@ -56,18 +56,36 @@ class FaceAnalyzer:
                 self.logger.error(f"读取图片失败: {image_path}, 错误: {e}")
                 return []
 
-            # 使用更宽松的人脸检测参数
+            # 使用更精确的人脸检测参数
             faces = DeepFace.extract_faces(
                 img_path=image_path,
                 enforce_detection=False,
-                detector_backend='opencv',  # 使用更快的opencv检测器
-                align=True
+                detector_backend='retinaface',  # 使用更精确的RetinaFace检测器
+                align=True,
+                threshold=0.7  # 提高置信度阈值，减少误检
             )
             
+            # 过滤掉可能的误检
+            valid_faces = []
+            for face in faces:
+                # 检查人脸区域的大小，过滤掉太小的区域（可能是图标）
+                if 'facial_area' in face:
+                    area = face['facial_area']
+                    face_width = area['w']
+                    face_height = area['h']
+                    
+                    # 过滤条件：人脸必须足够大（通常图标较小）
+                    min_face_size = 40  # 最小人脸尺寸（像素）
+                    if face_width > min_face_size and face_height > min_face_size:
+                        # 检查人脸宽高比，过滤掉不合理的比例
+                        aspect_ratio = face_width / face_height
+                        if 0.5 <= aspect_ratio <= 2.0:  # 正常人脸的宽高比范围
+                            valid_faces.append(face)
+                            
             # 记录检测到的人脸数量
-            self.logger.info(f"在图片 {image_path} 中检测到 {len(faces)} 个人脸")
+            self.logger.info(f"在图片 {image_path} 中检测到 {len(faces)} 个人脸，有效人脸 {len(valid_faces)} 个")
             
-            return faces
+            return valid_faces
         except Exception as e:
             self.logger.error(f"人脸检测失败: {image_path}, 错误: {e}")
             self.logger.error(traceback.format_exc())  # 打印完整的错误堆栈
@@ -96,8 +114,29 @@ class FaceAnalyzer:
                     # 保存临时裁剪图片
                     temp_path = f"{image_path}.temp.jpg"
                     cv2.imwrite(temp_path, img)
-                    image_path = temp_path
                     
+                    # 二次验证：使用人脸验证模型确认这确实是一张人脸
+                    try:
+                        verification = DeepFace.verify(
+                            img1_path=temp_path,
+                            enforce_detection=False,
+                            detector_backend='retinaface',
+                            model_name='VGG-Face',  # 使用VGG-Face模型进行验证
+                            distance_metric='cosine'
+                        )
+                        
+                        # 如果验证失败（不是人脸），则返回None
+                        if not verification.get('verified', False) and verification.get('distance', 0) > 0.5:
+                            self.logger.info(f"二次验证失败，可能不是真实人脸: {image_path}")
+                            if os.path.exists(temp_path):
+                                os.remove(temp_path)
+                            return None, None
+                    except Exception as e:
+                        # 验证失败不中断流程，只记录日志
+                        self.logger.warning(f"人脸二次验证失败: {e}")
+                    
+                    image_path = temp_path
+                        
             except Exception as e:
                 self.logger.error(f"读取图片失败: {image_path}, 错误: {e}")
                 return None, None
@@ -105,9 +144,9 @@ class FaceAnalyzer:
             # 提取人脸特征向量用于后续比对
             embedding_result = DeepFace.represent(
                 img_path=image_path,
-                model_name='Facenet',
+                model_name='ArcFace',  # 使用ArcFace模型，对不同年龄段人脸效果更好
                 enforce_detection=False,
-                detector_backend='opencv'  # 使用更快的opencv检测器
+                detector_backend='retinaface'  # 使用更精确的检测器
             )
             
             # 处理embedding结果，确保它是一个数值数组