使用https://github.com/Netflix/vmaf比较两组图像。

首先使用ffmpeg将图像转换为yuv422p，然后运行测试。注意分数差异。这可以用来判断图像是相似还是不同。对于这个样本，它们看起来都非常相似。

ffmpeg -i .\different-pose-1.jpg  -s 1920x1080 -pix_fmt yuv422p different-pose-1.yuv
ffmpeg -i .\different-pose-2.jpg  -s 1920x1080 -pix_fmt yuv422p different-pose-2.yuv
.\vmafossexec.exe yuv422p 1920 1080 different-pose-1.yuv different-pose-2.yuv vmaf_v0.6.1.pkl --ssim --ms-ssim --log-fmt json --log different.json
Start calculating VMAF score...
Exec FPS: 0.772885
VMAF score = 2.124272
SSIM score = 0.424488
MS-SSIM score = 0.415149

ffmpeg.exe -i .\same-pose-1.jpg  -s 1920x1080 -pix_fmt yuv422p same-pose-1.yuv
ffmpeg.exe -i .\same-pose-2.jpg  -s 1920x1080 -pix_fmt yuv422p same-pose-2.yuv
.\vmafossexec.exe yuv422p 1920 1080 same-pose-1.yuv same-pose-2.yuv vmaf_v0.6.1.pkl --ssim --ms-ssim --log-fmt json --log same.json
Start calculating VMAF score...
Exec FPS: 0.773098
VMAF score = 5.421821
SSIM score = 0.285583
MS-SSIM score = 0.400130

参考如何在Ubuntu上从JPEG或其他图像创建YUV422帧

如果您只想图像相似，那是一回事，而面部相似又是另一回事。两个完全不同的人可能会出现在相同的背景中，对图像相似性的分析表明他们是相同的，而同一个人可能在两种不同的环境中拍摄，相似性分析表明它们是不同的。

如果需要进行面部分析，则应搜索特定于此的算法。通常在这种分析中计算相对的眼睛，鼻子和嘴巴的大小和位置。

关于堆栈溢出时的图像相似性算法的讨论。由于不需要检测扭曲或翻转的图像，因此只要图像裁剪不太严重，直方图方法就足够了。

您可以使用现有的深度学习体系结构（例如VGG）从图像生成特征，然后使用相似度度量（例如余弦相似度）来查看两个图像是否基本相同。

整个管道非常容易设置，您无需了解神经网络架构（您可以将其视为黑匣子）。而且，这些功能非常通用，可用于查找各种对象之间的相似性，而不仅仅是面部。

以下是几个博客，可指导您完成整个过程。 http://blog.ethanrosenthal.com/2016/12/05/recasketch-keras/ https://erikbern.com/2015/09/24/nearest-neighbor-methods-vector-models-part-1.html

强大的哈希函数可以做到这一点。但是在那个领域仍然有很多研究正在进行。我不确定是否已经有可用的原型。

希望能有所帮助。

亚马逊有一个称为Rekognition的新API，该API可让您比较两个图像的面部相似度。该api返回每个面孔彼此之间的相似性百分比以及每个面孔的边界框。

Rekognition还包括用于面部分析（返回性别，大致年龄和其他相关面部细节）和对象场景检测（返回图像中对象的标签）的API。