幸慶的是，國內外許多大神都已經給我們造好“輪子”，我們可以直接來使用某些模型。今天就和大家交流下如何實現一個簡易版的人臉對比，非常有趣！
我們都知道Python容易學，但是就是不知道如何去學，去×××資料，機器學習，人工智能，深度學習，都在這學習，小編推薦一個學習平臺，歡迎加入python學習交流扣群先250+933+691，分享我精心準備的Python學習資料，0基礎到進階！希望你們在學習Python道路上少走彎路！加油！

預先導入所需要的人臉識別模型

遍歷循環識別文件夾裏面的圖片，讓模型“記住”人物的樣子

輸入一張新的圖像，與前一步文件夾裏面的圖片比對，返回最接近的結果

使用到的第三方模塊和模型：

模塊：os,dlib,glob,numpy

模型：人臉關鍵點檢測器，人臉識別模型

1.導入需要的模塊和模型

這裏解釋一下兩個dat文件：

它們的本質是參數值（即神經網絡的權重）。人臉識別算是深度學習的一個應用，事先需要經過大量的人臉圖像來訓練。所以一開始我們需要去設計一個神經網絡結構，來“記住”人類的臉。

對於神經網絡來說，即便是同樣的結構，不同的參數也會導致識別的東西不一樣。在這裏，這兩個參數文件就對應了不同的功能（它們對應的神經網絡結構也不同）：

shape_predictor.dat這個是為了檢測人臉的關鍵點，比如眼睛，嘴巴等等；dlib_face_recognition.dat是在前面檢測關鍵點的基礎上，生成人臉的特征值。

所以後面使用dlib模塊的時候，其實就是相當於，調用了某個神經網絡結構，再把預先訓練好的參數傳給我們調用的神經網絡。順便提一下，在深度學習領域中，往往動不動會訓練出一個上百M的參數模型出來，是很正常的事。

2.對訓練集進行識別

在這一步中，我們要完成的是，對圖片文件夾裏面的人物圖像，計算他們的人臉特征，並放到一個列表裏面，為了後面可以和新的圖像進行一個距離計算。關鍵地方會加上註釋，應該不難理解，具體實現為：

當你做完這一步之後，輸出列表descriptors看一下，可以看到類似這樣的數組，每一個數組代表的就是每一張圖片的特征量（128維）。然後我們可以使用L2範式（歐式距離），來計算兩者間的距離。

舉個例子，比如經過計算後，A的特征值是[x1,x2,x3],B的特征值是[y1,y2,y3], C的特征值是[z1,z2,z3],

那麽由於A和B更接近，所以會認為A和B更像。想象一下極端情況，如果是同一個人的兩張不同照片，那麽它們的特征值是不是應該會幾乎接近呢？知道了這一點，就可以繼續往下走了。

3.處理待對比的圖片

其實是同樣的道理，如法炮制，目的就是算出一個特征值出來，所以和第二步差不多。然後再順便計算出新圖片和第二步中每一張圖片的距離，再合成一個字典類型，排個序，選出最小值，搞定收工！

4.運行看一下

這裏我用了一張“斷水流大師兄”林國斌的照片，識別的結果是，果然，是最接近黎明了（嘻嘻，我愛黎明）。但如果你事先在訓練圖像集裏面有放入林國斌的照片，那麽出來的結果就是林國斌了。

為什麽是黎明呢？我們看一下輸入圖片裏的人物最後與每個明星的距離，輸出打印一下：

沒錯，他和黎明的距離是最小的，所以和他也最像了！

Python就是這麽有趣好玩，可以玩爬蟲，探秘數據分析，量化金融來賺錢，也可以來撩妹子做自動化工作，機器學習領域就更好了，人臉識別，自然語言處理，數據預測和挖掘！
我們都知道Python容易學，但是就是不知道如何去學，去×××資料，機器學習，人工智能，深度學習，都在這學習，小編推薦一個學習平臺，歡迎加入python學習交流扣群先250+933+691，分享我精心準備的Python學習資料，0基礎到進階！希望你們在學習Python道路上少走彎路！加油！

【人工智能】用Python實現一個簡單的人臉識別，原來我和這個明星如此相似