很多人都認為人臉識別是一項非常難以實現的工作，看到名字就害怕，然後心懷忐忑到網上一搜，看到網上N頁的教程立馬就放棄了。這些人裡包括曾經的我自己。其實如果如果你不是非要深究其中的原理，只是要實現這一工作的話，人臉識別也沒那麼難。今天我們就來看看如何在40行程式碼以內簡單地實現人臉識別。

一點區分

對於大部分人來說，區分人臉檢測和人臉識別完全不是問題。但是網上有很多教程有意無意地把人臉檢測說成是人臉識別，誤導群眾，造成一些人認為二者是相同的。其實，人臉檢測解決的問題是確定一張圖上有木有人臉，而人臉識別解決的問題是這個臉是誰的。可以說人臉檢測是是人識別的前期工作。

今天我們要做的是人臉識別。

所用工具

• Anaconda 2 —— Python 2
• Dlib
• scikit-image

Dlib

對於今天要用到的主要工具，還是有必要多說幾句的。Dlib是基於現代C++的一個跨平臺通用的框架，作者非常勤奮，一直在保持更新。Dlib內容涵蓋機器學習、影象處理、數值演算法、資料壓縮等等，涉獵甚廣。更重要的是，Dlib的文件非常完善，例子非常豐富。就像很多庫一樣，Dlib也提供了Python的介面，安裝非常簡單，用pip只需要一句即可：

pip install dlib

上面需要用到的scikit-image同樣只是需要這麼一句：

pip install scikit-image

• 注：如果用 pip install dlib
   安裝失敗的話，那安裝起來就比較麻煩了。錯誤提示很詳細，按照錯誤提示一步步走就行了。

人臉識別

之所以用 Dlib 來實現人臉識別，是因為它已經替我們做好了絕大部分的工作，我們只需要去呼叫就行了。Dlib裡面有人臉檢測器，有訓練好的人臉關鍵點檢測器，也有訓練好的人臉識別模型。今天我們主要目的是實現，而不是深究原理。感興趣的同學可以到官網檢視原始碼以及實現的參考文獻。

今天的例子既然程式碼不超過40行，其實是沒啥難度的。有難度的東西都在原始碼和論文裡。

首先先通過檔案樹看一下今天需要用到的東西：

準備了六個候選人的圖片放在 candidate-faces 資料夾中，然後需要識別的人臉圖片 test.jpg

另外的 girl-face-rec.py 是我們的python指令碼。shape_predictor_68_face_landmarks.dat是已經訓練好的人臉關鍵點檢測器。dlib_face_recognition_resnet_model_v1.dat 是訓練好的ResNet人臉識別模型。ResNet是何凱明在微軟的時候提出的深度殘差網路，獲得了 ImageNet 2015 冠軍，通過讓網路對殘差進行學習，在深度和精度上做到了比 CNN 更加強大。

1. 前期準備

shape_predictor_68_face_landmarks.dat和dlib_face_recognition_resnet_model_v1.dat都可以在這裡找到。不能點選超連結的可以直接輸入以下網址：http://dlib.net/files/。

然後準備幾個人的人臉圖片作為候選人臉，最好是正臉。放到 candidate-faces 資料夾中。

本文這裡準備的是六張圖片，如下：

她們分別是

然後準備四張需要識別的人臉影象，其實一張就夠了，這裡只是要看看不同的情況：

可以看到前兩張和候選檔案中的本人看起來還是差別不小的，第三張是候選人中的原圖，第四張圖片微微側臉，而且右側有陰影。

2.識別流程

資料準備完畢，接下來就是程式碼了。識別的大致流程是這樣的：

• 先對候選人進行人臉檢測、關鍵點提取、描述子生成後，把候選人描述子儲存起來。
• 然後對測試人臉進行人臉檢測、關鍵點提取、描述子生成。
• 最後求測試影象人臉描述子和候選人臉描述子之間的歐氏距離，距離最小者判定為同一個人。

3.程式碼

程式碼不做過多解釋，因為已經註釋的非常完善了。以下是 girl-face-rec.py

 # -*- coding: UTF-8 -*-
import sys,os,dlib,glob,numpy
from skimage import io

 if len(sys.argv) != 5:
     print "請檢查引數是否正確"
     exit()

# 1.人臉關鍵點檢測器
predictor_path = sys.argv[1]
# 2.人臉識別模型
face_rec_model_path = sys.argv[2]
# 3.候選人臉資料夾
faces_folder_path = sys.argv[3]
# 4.需識別的人臉
img_path = sys.argv[4]

# 1.載入正臉檢測器
detector = dlib.get_frontal_face_detector()
# 2.載入人臉關鍵點檢測器
sp = dlib.shape_predictor(predictor_path)
# 3. 載入人臉識別模型
facerec = dlib.face_recognition_model_v1(face_rec_model_path)

# win = dlib.image_window()

# 候選人臉描述子list
descriptors = []

# 對資料夾下的每一個人臉進行:
# 1.人臉檢測
# 2.關鍵點檢測
# 3.描述子提取
for f in glob.glob(os.path.join(faces_folder_path, "*.jpg")):
    print("Processing file: {}".format(f))
    img = io.imread(f)
    #win.clear_overlay()
    #win.set_image(img)

    # 1.人臉檢測
    dets = detector(img, 1)
    print("Number of faces detected: {}".format(len(dets)))

    for k, d in enumerate(dets):  
    # 2.關鍵點檢測
    shape = sp(img, d)
    # 畫出人臉區域和和關鍵點
    # win.clear_overlay()
    # win.add_overlay(d)
    # win.add_overlay(shape)

    # 3.描述子提取，128D向量
    face_descriptor = facerec.compute_face_descriptor(img, shape)

    # 轉換為numpy array
    v = numpy.array(face_descriptor)  
    descriptors.append(v)

# 對需識別人臉進行同樣處理
# 提取描述子，不再註釋
img = io.imread(img_path)
 dets = detector(img, 1)

 dist = []
for k, d in enumerate(dets):
    shape = sp(img, d)
    face_descriptor = facerec.compute_face_descriptor(img, shape)
    d_test = numpy.array(face_descriptor) 

    # 計算歐式距離

    for i in descriptors:
    dist_ = numpy.linalg.norm(i-d_test)
    dist.append(dist_)

# 候選人名單
candidate = ['Unknown1','Unknown2','Shishi','Unknown4','Bingbing','Feifei']

 # 候選人和距離組成一個dict
c_d = dict(zip(candidate,dist))

cd_sorted = sorted(c_d.iteritems(), key=lambda d:d[1])
print "\n The person is: ",cd_sorted[0][0]  
dlib.hit_enter_to_continue()

4.執行結果

我們在.py所在的資料夾下開啟命令列，執行如下命令

python girl-face-rec.py 1.dat 2.dat ./candidate-faecs test1.jpg

由於 shape_predictor_68_face_landmarks.dat 和 dlib_face_recognition_resnet_model_v1.dat 名字實在太長，所以我把它們重新命名為 1.dat 和 2.dat 。

執行結果如下：

The person is Bingbing。

記憶力不好的同學可以翻上去看看 test1.jpg 是誰的圖片。有興趣的話可以把四張測試圖片都執行下試試。

這裡需要說明的是，前三張圖輸出結果都是非常理想的。但是第四張測試圖片的輸出結果是候選人4。對比一下兩張圖片可以很容易發現混淆的原因。

機器畢竟不是人，機器的智慧還需要人來提升。

有興趣的同學可以繼續深入研究如何提升識別的準確率。比如每個人的候選圖片用多張，然後對比和每個人距離的平均值之類的。全憑自己了。