40行代码实现人脸识别

　　前言
　　很多人都认为人脸识别是一项非常难以实现的工作，看到名字就害怕，然后心怀忐忑到网上一搜，看到网上N页的教程立马就放弃了。这些人里包括曾经的我自己。其实如果如果你不是非要深究其中的原理，只是要实现这一工作的话，人脸识别也没那么难。今天我们就来看看如何在40行代码以内简单地实现人脸识别。一点区分
　　对于大部分人来说，区分人脸检测和人脸识别完全不是问题。但是网上有很多教程有无无意地把人脸检测说成是人脸识别，误导群众，造成一些人认为二者是相同的。其实，人脸检测解决的问题是确定一张图上有木有人脸，而人脸识别解决的问题是这个脸是谁的。可以说人脸检测是是人识别的前期工作。今天我们要做的是人脸识别。所用工具
　　Anaconda2Python2
　　Dlib
　　scikitimageDlib
　　对于今天要用到的主要工具，还是有必要多说几句的。Dlib是基于现代C的一个跨平台通用的框架，作者非常勤奋，一直在保持更新。Dlib内容涵盖机器学习、图像处理、数值算法、数据压缩等等，涉猎甚广。更重要的是，Dlib的文档非常完善，例子非常丰富。就像很多库一样，Dlib也提供了Python的接口，安装非常简单，用pip只需要一句即可：
　　pipinstalldlib
　　上面需要用到的scikitimage同样只是需要这么一句：
　　pipinstallscikitimage注：如果用pipinstalldlib安装失败的话，那安装起来就比较麻烦了。错误提示很详细，按照错误提示一步步走就行了。人脸识别
　　之所以用Dlib来实现人脸识别，是因为它已经替我们做好了绝大部分的工作，我们只需要去调用就行了。Dlib里面有人脸检测器，有训练好的人脸关键点检测器，也有训练好的人脸识别模型。今天我们主要目的是实现，而不是深究原理。感兴趣的同学可以到官网查看源码以及实现的参考文献。今天的例子既然代码不超过40行，其实是没啥难度的。有难度的东西都在源码和论文里。
　　首先先通过文件树看一下今天需要用到的东西：
　　准备了六个候选人的图片放在candidatefaces文件夹中，然后需要识别的人脸图片test。jpg。我们的工作就是要检测到test。jpg中的人脸，然后判断她到底是候选人中的谁。另外的girlfacerec。py是我们的python脚本。shapepredictor68facelandmarks。dat是已经训练好的人脸关键点检测器。dlibfacerecognitionresnetmodelv1。dat是训练好的ResNet人脸识别模型。ResNet是何凯明在微软的时候提出的深度残差网络，获得了ImageNet2015冠军，通过让网络对残差进行学习，在深度和精度上做到了比
　　CNN更加强大。1。前期准备
　　shapepredictor68facelandmarks。dat和dlibfacerecognitionresnetmodelv1。dat都可以在这里找到。不能点击超链接的可以直接输入以下网址：http：dlib。netfiles。
　　然后准备几个人的人脸图片作为候选人脸，最好是正脸。放到candidatefaces文件夹中。
　　本文这里准备的是六张图片，如下：
　　她们分别是
　　然后准备四张需要识别的人脸图像，其实一张就够了，这里只是要看看不同的情况：
　　可以看到前两张和候选文件中的本人看起来还是差别不小的，第三张是候选人中的原图，第四张图片微微侧脸，而且右侧有阴影。2。识别流程
　　数据准备完毕，接下来就是代码了。识别的大致流程是这样的：先对候选人进行人脸检测、关键点提取、描述子生成后，把候选人描述子保存起来。然后对测试人脸进行人脸检测、关键点提取、描述子生成。最后求测试图像人脸描述子和候选人脸描述子之间的欧氏距离，距离最小者判定为同一个人。3。代码
　　代码不做过多解释，因为已经注释得非常完善了。以下是girlfacerec。pycoding：UTF8importsys，os，dlib，glob，numpyfromskimageimportioiflen（sys。argv）！5：print请检查参数是否正确exit（）1。人脸关键点检测器predictorpathsys。argv〔1〕2。人脸识别模型facerecmodelpathsys。argv〔2〕3。候选人脸文件夹facesfolderpathsys。argv〔3〕4。需识别的人脸imgpathsys。argv〔4〕1。加载正脸检测器detectordlib。getfrontalfacedetector（）2。加载人脸关键点检测器spdlib。shapepredictor（predictorpath）3。加载人脸识别模型facerecdlib。facerecognitionmodelv1（facerecmodelpath）windlib。imagewindow（）候选人脸描述子listdescriptors〔〕对文件夹下的每一个人脸进行：1。人脸检测2。关键点检测3。描述子提取forfinglob。glob（os。path。join（facesfolderpath，。jpg））：print（Processingfile：｛｝。format（f））imgio。imread（f）win。clearoverlay（）win。setimage（img）1。人脸检测detsdetector（img，1）print（Numberoffacesdetected：｛｝。format（len（dets）））fork，dinenumerate（dets）：2。关键点检测shapesp（img，d）画出人脸区域和和关键点win。clearoverlay（）win。addoverlay（d）win。addoverlay（shape）3。描述子提取，128D向量facedescriptorfacerec。computefacedescriptor（img，shape）转换为numpyarrayvnumpy。array（facedescriptor）descriptors。append（v）对需识别人脸进行同样处理提取描述子，不再注释imgio。imread（imgpath）detsdetector（img，1）dist〔〕fork，dinenumerate（dets）：shapesp（img，d）facedescriptorfacerec。computefacedescriptor（img，shape）dtestnumpy。array（facedescriptor）计算欧式距离foriindescriptors：distnumpy。linalg。norm（idtest）dist。append（dist）候选人名单candidate〔Unknown1，Unknown2，Shishi，Unknown4，Bingbing，Feifei〕候选人和距离组成一个dictcddict（zip（candidate，dist））cdsortedsorted（cd。iteritems（），keylambdad：d〔1〕）printThepersonis：，cdsorted〔0〕〔0〕dlib。hitentertocontinue（）
　　4。运行结果
　　我们在。py所在的文件夹下打开命令行，运行如下命令
　　pythongirlfacerec。py1。dat2。dat。candidatefaecstest1。jpg
　　由于shapepredictor68facelandmarks。dat和dlibfacerecognitionresnetmodelv1。dat名字实在太长，所以我把它们重命名为1。dat和2。dat。
　　运行结果如下：
　　ThepersonisBingbing。
　　记忆力不好的同学可以翻上去看看test1。jpg是谁的图片。有兴趣的话可以把四张测试图片都运行下试试。
　　这里需要说明的是，前三张图输出结果都是非常理想的。但是第四张测试图片的输出结果是候选人4。对比一下两张图片可以很容易发现混淆的原因。
　　机器毕竟不是人，机器的智能还需要人来提升。
　　有兴趣的同学可以继续深入研究如何提升识别的准确率。比如每个人的候选图片用多张，然后对比和每个人距离的平均值之类的。全凭自己了。
　　今日头条小助手cnn