AI的强大！用Python实现一个简单的人脸识别

近几年来，兴起了一股人工智能热潮，让人们见到了AI的能力和强大，比如图像识别，语音识别，机器翻译，无人驾驶等等。总体来说，AI的门槛还是比较高，不仅要学会使用框架实现，更重要的是，需要有一定的数学基础，如线性代数，矩阵，微积分等。

幸庆的是，国内外许多大神都已经给我们造好“轮子”，我们可以直接来使用某些模型。今天就和大家交流下如何实现一个简易版的人脸对比，非常有趣!

整体思路：

使用到的第三方模块和模型：

预先导入所需要的人脸识别模型遍历循环识别文件夹里面的图片，让模型“记住”人物的样子输入一张新的图像，与前一步文件夹里面的图片比对，返回最接近的结果

模块：os,dlib,glob,numpy

模型：人脸关键点检测器，人脸识别模型

1.导入需要的模块和模型

这里解释一下两个dat文件：

人脸识别算是深度学习的一个应用，事先需要经过大量的人脸图像来训练

它们的本质是参数值(即神经网络的权重)。。所以一开始我们需要去设计一个神经网络结构，来“记住”人类的脸。

对于神经网络来说

，即便是同样的结构，不同的参数也会导致识别的东西不一样。在这里，这两个参数文件就对应了不同的功能(它们对应的神经网络结构也不同)：

shape_predictor.dat这个是为了检测人脸的关键点，比如眼睛，嘴巴等等;dlib_face_recognition.dat是在前面检测关键点的基础上，生成人脸的特征值。

dlib模块的时候

所以后面使用，其实就是相当于，调用了某个神经网络结构，再把预先训练好的参数传给我们调用的神经网络。顺便提一下，在深度学习领域中，往往动不动会训练出一个上百M的参数模型出来，是很正常的事。

2.对训练集进行识别

计算他们的人脸特征，并放到一个列表里面

在这一步中，我们要完成的是，对图片文件夹里面的人物图像，，为了后面可以和新的图像进行一个距离计算。关键地方会加上注释，应该不难理解，具体实现为：

当你做完这一步之后，输出列表descriptors看一下，可以看到类似这样的数组，每一个数组代表的就是每一张图片的特征量(128维)。然后我们可以使用L2范式(欧式距离)，来计算两者间的距离。

举个例子，比如经过计算后，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],

那么由于A和B更接近，所以会认为A和B更像

。想象一下极端情况，如果是同一个人的两张不同照片，那么它们的特征值是不是应该会几乎接近呢?知道了这一点，就可以继续往下走了。

3.处理待对比的图片

目的就是算出一个特征值出来，所以和第二步差不多。然后再顺便计算出新图片和第二步中每一张图片的距离

其实是同样的道理，如法炮制，，再合成一个字典类型，排个序，选出最小值，搞定收工!

4.运行看一下

这里我用了一张“断水流大师兄”林国斌的照片，识别的结果是，果然，是最接近黎明了(嘻嘻，我爱黎明)。但如果你事先在训练图像集里面有放入林国斌的照片，那么出来的结果就是林国斌了。

为什么是黎明呢?我们看一下输入图片里的人物最后与每个明星的距离，输出打印一下：

没错，他和黎明的距离是最小的，所以和他也最像了!

Python就是这么有趣好玩，可以玩爬虫，探秘数据分析，量化金融来赚钱，也可以来撩妹子做自动化工作，机器学习领域就更好了，人脸识别，自然语言处理，数据预测和挖掘!