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
近幾年來，興起了一股人工智慧熱潮，讓人們見到了AI的能力和強大，比如影象識別，語音識別，機器翻譯，無人駕駛等等。總體來說，AI的門檻還是比較高，不僅要學會使用框架實現，更重要的是，需要有一定的數學基礎，如線性代數，矩陣，微積分等。
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！
整體思路：
- 預先匯入所需要的人臉識別模型
- 遍歷迴圈識別資料夾裡面的圖片，讓模型“記住”人物的樣子
- 輸入一張新的影象，與前一步資料夾裡面的圖片比對，返回最接近的結果
使用到的第三方模組和模型：
模組：os,dlib,glob,numpy
模型：人臉關鍵點檢測器，人臉識別模型
1.匯入需要的模組和模型
這裡解釋一下兩個dat檔案：
它們的本質是引數值（即神經網路的權重）。 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影象來訓練 。所以一開始我們需要去設計一個神經網路結構，來“記住”人類的臉。
對於神經網路來說，即便是同樣的結構，不同的引數也會導致識別的東西不一樣。在這裡，這兩個引數檔案就對應了不同的功能（它們對應的神經網路結構也不同）：
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，生成人臉的特徵值。
所以後面使用 dlib模組的時候 ，其實就是相當於，呼叫了某個神經網路結構，再把預先訓練好的引數傳給我們呼叫的神經網路。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的引數模型出來，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，對圖片資料夾裡面的人物影象， 計算他們的人臉特徵，並放到一個列表裡面 ，為了後面可以和新的影象進行一個距離計算。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陣列，每一個數組代表的就是每一張圖片的特徵量（128維）。然後我們可以使用L2正規化（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的特徵值是[x1,x2,x3],B的特徵值是[y1,y2,y3], C的特徵值是[z1,z2,z3],
那麼由於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，那麼它們的特徵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，如法炮製， 目的就是算出一個特徵值出來，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 ，再合成一個字典型別，排個序，選出最小值，搞定收工！
4.執行看一下
這裡我用了一張“斷水流大師兄”林國斌的照片，識別的結果是，果然，是最接近黎明瞭（嘻嘻，我愛黎明）。但如果你事先在訓練影象集裡面有放入林國斌的照片，那麼出來的結果就是林國斌了。
為什麼是黎明呢？我們看一下輸入圖片裡的人物最後與每個明星的距離，輸出列印一下：
沒錯，他和黎明的距離是最小的，所以和他也最像了！