本系列文章目前已經更新兩期，分別是： 機器學習原來如此有趣！全世界最簡單的機器學習入門指南、 機器學習原來如此有趣：如何故意欺騙神經網絡

你是否有註意到Facebook最近開發了一個非同尋常的功能：將你照片中的好友識別出來。過去，Facebook 讓你手動點擊照片上的好友，輸入他們的名字，然後加上標簽。現在只要你上傳一張照片，Facebook就會像變魔術一樣為你自動標記出所有人：

這項技術就叫做人臉識別。在你的朋友的臉被標記了幾次之後，Facebook的算法就可以識別他了。這是一個讓人驚艷的技術--Facebook識別人臉的正確率高達98%！這與人類的表現差不多了。

下面就讓我們來學習一下人臉識別技術是如何實現的！但是只是識別你的朋友的臉就太簡單了。 我們可以最大化擴展這項技術，來解決一個更具挑戰性的問題——區分威爾·法瑞爾（Will Ferrell，著名演員）和查德·史密斯（Chad Smith，著名搖滾音樂家）！

如何使用機器學習來解決復雜的問題

人臉識別由一個系列的相關問題組成：

1.首先：查看一張照片並找出上面所有的臉

2.將註意力放在每一張臉上面，即使這張臉被轉到奇怪的方向或者是光線不好的情況下也依舊是同一個人。

3. 從這張臉上挑出一些特征用於和其他人區分來，比如像眼睛有多大，臉有多長等。

4.最後，將這張臉的特征和其他其他臉作比較，以最後確定這個人的名字。

作為一個人類，你的大腦會自動做這些事情。實際上，人類太擅長於識別人臉了，以至於他們在日常物品上面也會試圖去尋找臉（好像是這樣哦，人們總是喜歡去物品上找出練得形狀，並且覺得這樣很萌）。

計算機目前並不具備這種高水平的能力。。。所以我們需要一步步的教他們。

我們需要構建一個流水線（pipeline）：我們將分別解決人臉識別的每一步，並將當前步驟的結果傳入下一個步驟。換句話說，我們需要將幾個機器學習算法鏈（chain）起來。

人臉識別-一步一步來

我們一步一步地解決這個問題。在每一個步驟中，我們都將學習到不同的機器學習算法。我不會對算法的每一步都進行解釋，但是你可以學習到每一個算法的主體思想，以及如何在 Python 中使用 OpenFace 和 dlib 來構建一個你自己的面部識別系統。

第一步：尋找所有的臉

在我們的流水線中的第一步是人臉檢測。很明顯在我們區分人臉之前需要在圖片中將臉標記出來。

如果你有在最近十年裏面用過相機的話，你可能已經見過正在運行中的人臉檢測了：

面部識別是相機的一個偉大的功能。當相機可以自動挑出面部的時候，這將確保在拍照片的瞬間所有的臉都對準焦點了。不過我們使用它是為了別的目的--尋找我們想在下一步要傳遞的照片區域。

2000年年初的時候，當Paul Viola和Michael Jones發明了一種可以在廉價相機上面快速運行的面部檢測技術後，人臉檢測成為了主流。然而現在更可靠的解決方案出現了。我們現在用的是2005年發明的一個叫做方向梯度直方圖，簡稱為HOG。

為了識別出圖片中的臉，首先我們需要將圖片轉換為黑白色，因為在識別面部的時候我們不需要顏色數據。

然後我們需要依次遍歷圖片中的每個像素。對於單個像素，我們也需要看直接包圍它的其他元素：

我們的目標是比較這個像素與周圍像素的深度。然後我們要畫一個箭頭來代表圖像變暗的方向：

如果你對這個圖像中的每個像素都重復這個過程，最後每個像素，最終每個像素會被一個箭頭取代。這些箭頭被稱為梯度（gradients），它們能顯示出圖像上從明亮到黑暗的流動過程：

這看起來沒有明確的目的，但其實這很有必要。如果我們直接分析像素，同一個人明暗不同的兩張照片將具有完全不同的像素值。但是如果只考慮亮度變化方向（direction）的話，明暗圖像將會有同樣的結果。這使得問題變得更容易解決！

但是保存每個像素的梯度太過細節化了，我們最終很有可能撿了芝麻丟了西瓜。如果能從更高的角度上觀察基本的明暗流動，我們就可以看出圖像的基本規律，這會比之前更好。

為了做到這一點，我們將圖像分割成一些 16×16 像素的小方塊。在每個小方塊中，我們將計算出每個主方向上有多少個梯度（有多少指向上，指向右上，指向右等）。然後我們將用指向性最強那個方向的箭頭來代替原來的那個小方塊。

最終的結果是，我們把原始圖像轉換成了一個非常簡單的表達形式，這種表達形式可以用一種簡單的方式來捕獲面部的基本結構：

原始圖像被表示成了 HOG 形式，以捕獲圖像的主要特征，無論圖像明暗度如何。

為了在這個 HOG 圖像中找到臉部，我們要所需要做的，就是找到我們的圖像中，與已知的一些 HOG 圖案中，看起來最相似的部分。這些 HOG 圖案都是從其他面部訓練數據中提取出來的：

使用這種技術，我們現在可以輕松地在任何圖片中找到臉部：

如果你想用 Python 和 dlib 親手試試看，這些代碼顯示了如何生成和查看 HOG 圖像。

第二步：臉部的不同姿勢和方位

當當當，我們把圖片中的臉部分離出來了。 但現在，我們要處理的問題就是，對於電腦來說，面朝不同方向的同一張臉是兩個人：

人類可以很輕松地識別出到兩個圖片都是同一個人，但電腦會認為這兩張圖片是兩個完全不同的人。

為了解決這一點，我們將試圖扭曲每個圖片，使得眼睛和嘴唇總是在圖像中的樣本位置（sample place）。 這將使我們在接下來的步驟中，更容易比較臉部之間的不同。

為此，我們將使用一種稱為面部特征點估計（face landmark estimation）的算法。 很多方法都可以做到這一點，但這次我們會使用由 瓦希德·卡奇米（Vahid Kazemi）和約瑟菲娜·沙利文（Josephine Sullivan）在 2014 年發明的方法。

基本思路是找到 68 個人臉上普遍存在的特征點（ landmarks）——包括下巴的頂部、每只眼睛的外部輪廓、每條眉毛的內部輪廓等。接下來我們訓練一個機器學習算法，讓它能夠在任何臉部找到這 68 個特定的點：

我們將在每一張臉上定位的 68 個特征點。這張圖片的作者是在OpenFace工作的卡內基梅隆大學 Ph.D. 布蘭東·阿莫斯（Brandon Amos）。

這是在測試圖片上定位 68 個特征點的結果：

你也可以使用這一技術來實現自己的 Snapchat 實時 3D 臉部過濾器！

現在，我們知道了眼睛和嘴巴在哪兒，我們將圖像進行旋轉、縮放和錯切，使得眼睛和嘴巴盡可能靠近中心。我們不會做任何花哨的三維扭曲，因為這會讓圖像失真。我們只會使用那些能夠保持圖片相對平行的基本圖像變換，例如旋轉和縮放（稱為仿射變換）：

現在無論人臉朝向哪邊，我們都能將眼睛和嘴巴向中間挪動到大致相同的位置。這將使我們的下一步更加準確。

如果你想用 Python 和 dlib 親手試試看這一步的話，這裏有一些代碼幫你尋找臉部特征點並用這些特征點完成圖像變形。

第三步：給臉部編碼

現在我們要面臨最核心的問題了——準確識別不同的人臉。這才是這件事的有趣之處！

最簡單的人臉識別方法，是把我們在第二步中發現的未知人臉，與我們已經標註了的人臉圖片作比較。當我們發現未知的面孔與一個以前標註過的面孔看起來及其相似的時候，它肯定是同一個人。這個想看起來很完美，對吧？

實際上這種方法有一個巨大的問題。像 Facebook 這種擁有數十億用戶和數萬億張照片的網站，是不可能去循環比較每張先前標記的臉的，這太浪費時間了。他們需要在毫秒內識別人臉，而不是幾個小時。

我們需要的方法是從每張人臉上提取一些基本的測量數值。然後，我們可以用同樣的方式測量未知的面孔，並找到最接近測量數值的那張已知的臉。例如，我們可以測量每個耳朵的大小、眼距、鼻子的長度等。如果你曾經看過像《犯罪現場調查》這樣的電視劇，你就知道我在說什麽了。

測量面部的最可靠方法

好的，所以為了建立我們的已知臉部數據庫呢，我們應該測量面部的哪些數值？耳朵的大小？鼻子的長度？眼睛的顏色？還有什麽？

事實證明，對於我們人類來說一些顯而易見的測量值（比如眼睛顏色），對計算機來說沒什麽意義。研究人員發現，最準確的方法是讓計算機自己找出它要收集的測量值。深度學習在尋找哪些部分的測量值比較重要方面表現的比人類更好。

所以，解決方案是訓練一個深度卷積神經網絡。但是，並不是讓它去識別圖片中的物體，這一次我們的訓練是要讓它為臉部生成 128 個測量值。

每次訓練要觀察三個不同的臉部圖像：

1. 加載一張已知的人的面部訓練圖像

2. 加載同一個人的另一張照片

3. 加載另外一個人的照片

然後，算法查看它自己為這三個圖片生成的測量值。再然後，稍微調整神經網絡，以確保第一張和第二張生成的測量值接近，而第二張和第三張生成的測量值略有不同。

在為幾千個人的數百萬圖像重復該步驟幾百萬次之後，神經網絡學習了如何可靠地為每個人生成 128 個測量值。對於同一個人的任何十張不同的照片，它都應該給出大致相同的測量值。

機器學習專業人士把每張臉的 128 個測量值稱為一個嵌入（embedding）。將復雜的原始數據（如圖片）縮減為可由計算機生成的一個數列的方法，在機器學習（特別是語言翻譯）中出現了很多次。我們正在使用的這種臉部提取方法是由 Google 的研究人員在 2015 年發明的，但也有許多類似方法存在。

給我們的臉部圖像編碼

這個通過訓練卷積神經網絡來輸出臉部嵌入的過程，需要大量的數據和強大的計算能力。即使使用昂貴的 Nvidia Telsa 顯卡，你也需要大約 24 小時的連續訓練，才能獲得良好的準確性。

但一旦網絡訓練完成，它就可以為每一張臉生成測量值，即使之前它從未見過這張臉！所以這種訓練只需一次即可。幸運的是，OpenFace 上面的大牛已經做完了這些，並且他們發布了幾個訓練過可以直接使用的網絡。謝謝Brandon Amos他的團隊！

所以我們需要做的，就是通過他們預訓練的網絡來處理我們的臉部圖像，以獲得 128 個測量值。這是我們測試圖像的一些測量值：

那麽，這 128 個數字到底測量了臉部的哪些部分？我們當然不知道，但是這對我們並不重要。我們關心的是，當看到同一個人兩張不同的圖片時，我們的網絡能得到幾乎相同的數值。

如果你想自己嘗試這個步驟，OpenFace 提供了一個 lua 腳本，它可以生成一個文件夾中所有圖像的嵌入，並將它們寫入 csv 文件。點此查看如何運行。

第四步：從編碼中找出人的名字

最後這一步實際上是整個過程中最簡單的一步。我們要做的就是找到數據庫中，與我們的測試圖像的測量值最接近的那個人。

你可以通過任何基本的機器學習分類算法來達成這一目標。我們並不需要太花哨的深度學習技巧。我們將使用一個簡單的線性 SVM 分類器，但實際上還有很多其他的分類算法可以使用。

我們需要做的是訓練一個分類器，它可以從一個新的測試圖像中獲取測量結果，並找出最匹配的那個人。分類器運行一次只需要幾毫秒，分類器的結果就是人的名字！

所以讓我們試一下我們的系統。首先，我使用Will Ferrell, Chad Smith and Jimmy Falon三人每人 20 張照片的嵌入來訓練分類器：

嗯……就是這些訓練數據！

接下來，我在這個分類器上運行了威爾·法瑞爾和查德·史密斯在吉米·法倫的節目上互相模仿的那個視頻的每一幀：

https://cdn-images-1.medium.com/max/800/1*_GNyjR3JlPoS9grtIVmKFQ.gif

結果成功了！不同角度的臉部，甚至是側臉，它都能捕捉到！

自己動手做一遍

讓我們回顧一下我們的步驟：

1. 使用 HOG 算法給圖片編碼，以創建圖片的簡化版本。使用這個簡化的圖像，找到其中看起來最像通用 HOG 面部編碼的部分。

2. 通過找到臉上的主要特征點，找出臉部的姿勢。一旦我們找到這些特征點，就利用它們把圖像扭曲，使眼睛和嘴巴居中。

3. 把上一步得到的面部圖像放入神經網絡中，神經網絡知道如何找到 128 個特征測量值。保存這 128 個測量值。

4. 看看我們過去已經測量過的所有臉部，找出哪個人的測量值和我們要測量的面部最接近。這就是你要找的人！

現在你知道這一切都是如何運行的了，這裏是如何使用 OpenFace 在你自己的電腦上運行整個人臉識別系統的說明：

開始之前

確保你已經安裝了 python、OpenFace 和 dlib。你也可以在這裏手動安裝，或者使用一個已經設定好的 docker image：

docker pull
bamos/openface
docker run -p 9000:9000
-p 8000:8000 -t -i bamos/openface /bin/bash
cd /root/openface

友情提示：如果你正在 OSX 上使用 Docker，你可以這樣使你的 OSX /Users/

文件夾在 docker image 中可見：

docker run -v /Users:/host/Users -p 9000:9000 -p
8000:8000 -t -i bamos/openface /bin/bash
cd /root/openface

然後你就能訪問你在 docker image 中 /host/Users/...的 OSX 文件

ls /host/Users/

第一步

在 openface 文件中建立一個名為 ./training-images/ 的文件夾。

mkdir training-images

第二步

為你想識別的每個人建立一個子文件夾。例如：

mkdir ./training-images/will-ferrell/
mkdir ./training-images/chad-smith/
mkdir ./training-images/jimmy-fallon/

第三步

將每個人的所有圖像復制進對應的子文件夾。確保每張圖像上只出現一張臉。不需要裁剪臉部周圍的區域。OpenFace 會自己裁剪。

第四步

從 openface 的根目錄中運行這個openface 腳本。

首先，進行姿勢檢測和校準：

./util/align-dlib.py
./training-images/ align outerEyesAndNose ./aligned-images/ --size 96

這將創建一個名為./aligned-images/的子文件夾，裏面是每一個測試圖像裁剪過、並且對齊的版本。

其次，從對齊的圖像中生成特征文件：

./batch-represent/main.lua
-outDir ./generated-embeddings/ -data ./aligned-images/

運行完後，這個./generated-embeddings/子文件夾會包含一個帶有每張圖像嵌入的 csv 文件。

第三，訓練你的面部檢測模型：

./demos/classifier.py
train ./generated-embeddings/

這將生成一個名為 ./generated-embeddings/classifier.pkl的新文件，其中包含了你用來識別新面孔的 SVM 模型。

到這一步為止，你應該有了一個可用的人臉識別器！

第五步：識別面孔！

獲取一個未知臉孔的新照片，然後像這樣把它傳遞入分類器腳本中：

./demos/classifier.py
infer ./generated-embeddings/classifier.pkl your_test_image.jpg

你應該會得到像這樣的一個預測：

===/test-images/will-ferrel-1.jpg ===
Predict will-ferrell with 0.73 confidence.

至此，你已經完成了一個預測了。你也可以修改./demos/classifier.py 這個 python 腳本，來讓它匹配其他人的臉。

重要提示：

• 如果你得到的結果不夠理想，試著在第三步為每個人添加更多照片（特別是不同姿勢的照片）。
• 即使完全不知道這個面孔是誰，現在這個腳本仍然會給出預測。在真實應用中，低可信度（low confidence）的預測可能會被直接舍棄，因為很有可能它們就是錯的。

機器學習原來如此有趣：用深度學習識別人臉