近幾年來，興起了一股人工智能熱潮，讓人們見到了AI的能力和強大，比如圖像識別，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：
1、預先導入所需要的人臉識別模型；
2、遍歷循環識別文件夾里面的圖片，讓模型“記住”人物的樣子；
3、輸入一張新的圖像，與前一步文件夾里面的圖片比對，返回最接近的結果。
使用到的第三方模塊和模型：
1、模塊：os,dlib,glob,numpy；
2、模型：人臉關鍵點檢測器，人臉識別模型。
第一步：導入需要的模型。
這里解釋一下兩個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。在這里，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。
所以后面使用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。
import os,dlib,glob,numpy
from skimage import io
# 人臉關鍵點檢測器
predictor_path = "shape_predictor.dat"
# 人臉識別模型、提取特征值
face_rec_model_path = "dlib_face_recognition.dat"
# 訓練圖像文件夾
faces_folder_path ='train_images'
# 加載模型
detector = dlib.get_frontal_face_detector()
sp = dlib.shape_predictor(predictor_path)
facerec = dlib.face_recognition_model_v1(face_rec_model_path)
第二步：對訓練集進行識別。
在這一步中，我們要完成的是，對圖片文件夾里面的人物圖像，計算他們的人臉特征，並放到一個列表里面，為了后面可以和新的圖像進行一個距離計算。關鍵地方會加上注釋，應該不難理解。
candidate = [] # 存放訓練集人物名字
descriptors = [] #存放訓練集人物特征列表
for f in glob.glob(os.path.join(faces_folder_path,"*.jpg")):
print("正在處理: {}".format(f))
img = io.imread(f)
candidate.append(f.split('\\')[-1].split('.')[0])
# 人臉檢測
dets = detector(img, 1)
for k, d in enumerate(dets):
shape = sp(img, d)
# 提取特征
face_descriptor = facerec.compute_face_descriptor(img, shape)
v = numpy.array(face_descriptor)
descriptors.append(v)
print('識別訓練完畢！')
當你做完這一步之后，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）。然后我們可以使用L2范式（歐式距離），來計算兩者間的距離。
舉個例子，比如經過計算后，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，那么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。
第三步：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。然后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！
try:
## test_path=input('請輸入要檢測的圖片的路徑（記得加后綴哦）:')
img = io.imread(r".\test_images\test6.jpg")
dets = detector(img, 1)
except:
print('輸入路徑有誤，請檢查！')
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)
for i in descriptors: #計算距離
dist_ = numpy.linalg.norm(i-d_test)
dist.append(dist_)
# 訓練集人物和距離組成一個字典
c_d = dict(zip(candidate,dist))
cd_sorted = sorted(c_d.items(), key=lambda d:d[1])
print ("識別到的人物最有可能是: ",cd_sorted[0][0])
這里我用了一張“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里面有放入林國斌的照片，那么出來的結果就是林國斌了。
為什么是黎明呢？我們看一下輸入圖片里的人物最后與每個明星的距離，輸出打印一下：
{'劉亦菲': 0.5269014581137407,
'劉詩詩': 0.4779630331578229,
'唐藝昕': 0.45967444611419184,
'楊冪': 0.4753850256188804,
'迪麗熱巴': 0.5730399094704894,
'鄭秀妍': 0.40740137304879187,
'鄭秀晶': 0.45325515192940385,
'郭富城': 0.7624925709626963,
'黎明': 0.5925473299225084}
沒錯，他和黎明的距離是最小的，所以和他也最像了！
源碼及模型下載：https://download.csdn.net/download/m0_38106923/10772957
原文鏈接：https://blog.csdn.net/m0_38106923/article/details/83862334