編者按：如今，人臉識別已經(jīng)在我們的生活中處處可見——無論是政府布置在大街小巷的“天眼”，還是手機軟件中用于驗證用戶個人身份的確認手段，刷臉解鎖、刷臉支付……每個人與生俱來的這張“獨一無二”的臉正在取代數(shù)字密碼，成為虛擬世界中的身份證明。小編沒有iPhone XS，所以就在這里推薦一篇人臉識別入門佳作吧~

人臉識別是計算機視覺的一個子領域，它的應用范圍非常廣泛，現(xiàn)在已經(jīng)成為世界各地的企業(yè)爭相競逐的新技術(shù)之一?？紤]到市場的盈利現(xiàn)狀，未來這項技術(shù)還會有更大的需求空間，所以作為機器學習的學習者，自己動手去從頭開始構(gòu)建一個人臉識別工具很有價值。

本文就是如何構(gòu)建人臉識別器的一則指南，在文章中，首先我們會介紹這項技術(shù)的基本原理，然后用一個簡單案例演示如何用Python來實現(xiàn)。

人臉識別的工作原理

在理解人臉識別的工作原理之前，我們先來看看什么是特征向量。

機器學習算法的本質(zhì)是將數(shù)據(jù)集中的所有樣本作為輸入，從數(shù)據(jù)中學習“知識”，簡而言之，算法會遍歷數(shù)據(jù)并識別數(shù)據(jù)中的模式。以人臉識別為例，如果我們希望給定一幅圖像，算法能識別出圖像中的人是誰，那么這時它識別到的模式其實有很多種：

臉部的長度/寬度

有時長度/寬度的具體數(shù)值可能是不可靠的，因為它們會隨著圖像縮放不斷變化，但即使在重新縮放之后，某些數(shù)據(jù)還是會始終保持不變——臉部的長寬比率

膚色

五官的形狀，如嘴、鼻子等

顯然，它們有一個共識——不同人臉的臉部長寬比、五官、膚色等是不同的。如果兩張人臉很相似，那它們在這些方面的差異就比較小。這就引出了最具挑戰(zhàn)性的一個步驟：把特定人的面部轉(zhuǎn)換成數(shù)字表示——機器學習算法只能理解數(shù)字。

這種“人臉”（或訓練集中特征）的數(shù)字表示就是我們所說的特征向量，它包含按特定順序排列的一系列數(shù)字。

為了方便理解，下面舉一個簡單的例子，我們可以將“人臉”映射到一個特征向量，該特征向量可以包含各種特征，例如：面長（cm）、面寬（cm）、平均膚色（RGB）、嘴唇寬度（cm）、鼻子長度（cm）。

基本上，給定一個圖像，我們可以繪制出各種特征并將其轉(zhuǎn)換為特征向量，如：

因此這張人臉可以用(23.1, 15.8, 255, 224, 189, 5.2, 4.4)這個向量表示。當然，除了以上特征，我們還可以通過觀察和測量獲得更多人臉信息，比如發(fā)色、面部毛發(fā)、是否戴眼鏡等，但為了方便介紹，我們在這篇文章里只考慮以上5個簡單特征。

一旦我們將每個圖像編碼成特征向量，問題就變得非常簡單了，因為我們可以通過計算向量之間的“距離”判斷兩張“人臉”的相似程度。而機器學習在這里發(fā)揮的作用主要有兩個：

派生特征向量：數(shù)據(jù)集中的數(shù)據(jù)量往往非常多，手動列出每個特征顯然不現(xiàn)實。機器學習算法可以智能地標記出所需特征，也可以做一些簡單計算，如鼻子長度與前額寬度的比率。

匹配算法：一旦獲得了特征向量，機器學習算法就可以把新圖像與數(shù)據(jù)集中存在的特征向量集相匹配。

現(xiàn)在我們已經(jīng)基本了解了人臉識別的工作原理，緊接著，讓我們使用一些著名的Python庫，嘗試構(gòu)建自己的人臉識別算法。

案例分析

下面是我們數(shù)據(jù)集中的一些圖像，分別是奧巴馬、比爾·蓋茨、杰夫·貝佐斯、馬克·扎克伯格、雷·達利奧和沙魯克汗。我們把這些人稱為“語料庫”，然后準備另一位名人（“新名人”）的圖像，模型的任務是確定“新名人”是否出現(xiàn)在“語料庫”中。

對人類來說，區(qū)分上述6人非常簡單，即便有讀者不認識著名男性沙魯克汗（末圖），我們也能從外形上看出他和奧巴馬的明顯區(qū)別。但這對計算機而言并不簡單。

我們選擇的“新名人”：

得益于社區(qū)成員的貢獻，現(xiàn)在我們有一個非常簡單的Python庫，它封裝了上面提到的所有內(nèi)容——從面部創(chuàng)建特征向量并知道如何檢測人臉。這個Python庫叫face_recognition，如果再深入研究一下，你會發(fā)現(xiàn)它來自dlib——沒錯，那個跨平臺的C++公共庫，它包含很多機器學習常用算法，有助于編寫復雜的基于C ++的應用程序。

Python中的face_recognition庫可以執(zhí)行大量任務：

檢測給定圖像中的所有人臉

檢測和標記圖像中的人臉特征

識別圖像中的人臉

實時人臉識別

這里我們只介紹如何用face_recognition識別圖像中的人臉，即上述第三個任務。

facerecognition源碼：github.com/ageitgey/facerecognition

如何安裝facerecognition庫：github.com/ageitgey/facerecognition#installation-options

在安裝face_recognition之前，你還需要安裝dlib：gist.github.com/ageitgey/629d75c1baac34dfa5ca2a1928a7aeaf

在Python中實現(xiàn)

本節(jié)包含使用face_recognition庫構(gòu)建簡單人臉識別系統(tǒng)的代碼，這是實現(xiàn)部分，代碼具體表示什么我們會下下節(jié)介紹。

# 導入庫

import os

import face_recognition

# 制作所有可用圖像的列表

images = os.listdir('images')

# 加載圖像

image_to_be_matched = face_recognition.load_image_file('my_image.jpg')

# 將加載圖像編碼為特征向量

image_to_be_matched_encoded = face_recognition.face_encodings(

image_to_be_matched)[0]

# 遍歷每張圖像

for image in images:

# 加載圖像

current_image = face_recognition.load_image_file("images/" + image)

# 將加載圖像編碼為特征向量

current_image_encoded = face_recognition.face_encodings(current_image)[0]

# 將你的圖像和圖像對比，看是否為同一人

result = face_recognition.compare_faces(

[image_to_be_matched_encoded], current_image_encoded)

# 檢查是否一致

if result[0] == True:

print"Matched: " + image

else:

print"Not matched: " + image

文件夾結(jié)構(gòu)如下：

facialrecognition:

fr.py

my_image.jpg

images/

barack_obama.jpg

bill_gates.jpg

jeff_bezos.jpg

mark_zuckerberg.jpg

ray_dalio.jpg

shahrukhkhan.jpg

warren_buffett.jpg

它們分別表示：

fr.py：人臉識別的代碼

my_image.jpg：要識別的圖像（“新名人”）

images/：“語料庫”

當你創(chuàng)建上面的文件夾結(jié)構(gòu)并運行上面的代碼時，這是你得到的輸出：

Matched: shah_rukh_khan.jpg

Not matched: warren_buffett.jpg

Not matched: barack_obama.jpg

Not matched: ray_dalio.jpg

Not matched: bill_gates.jpg

Not matched: jeff_bezos.jpg

Not matched: mark_zuckerberg.jpg

顯然，“新名人”是沙魯克汗，我們的人臉識別系統(tǒng)能夠檢測到他！

理解Python代碼

現(xiàn)在，我們來分解上述代碼，進一步了解它是如何工作的：

# 導入庫

import os

import face_recognition

這就是常規(guī)“導入”操作，我們會用face_recognition編寫算法

# 制作所有可用圖像的列表

images = os.listdir('images')

這行簡單代碼可以幫助我們識別語料庫中所有圖像的路徑。執(zhí)行此行后，我們會得到：

images = ['shah_rukh_khan.jpg', 'warren_buffett.jpg', 'barack_obama.jpg', 'ray_dalio.jpg', 'bill_gates.jpg', 'jeff_bezos.jpg', 'mark_zuckerberg.jpg']

現(xiàn)在，下面加載新名人圖像：

# 加載圖像

image_to_be_matched = face_recognition.load_image_file('my_image.jpg')

為了確保算法能夠解釋圖像，我們將圖像轉(zhuǎn)換為特征向量：

# 將加載圖像編碼為特征向量

image_to_be_matched_encoded = face_recognition.face_encodings(

image_to_be_matched)[0]

剩下的代碼不難理解：

# 遍歷每張圖像

for image in images:

# 加載圖像

current_image = face_recognition.load_image_file("images/" + image)

# 將加載圖像編碼為特征向量

current_image_encoded = face_recognition.face_encodings(current_image)[0]

# 將你的圖像和圖像對比，看是否為同一人

result = face_recognition.compare_faces(

[image_to_be_matched_encoded], current_image_encoded)

# 檢查是否一致

if result[0] == True:

print"Matched: " + image

else:

print"Not matched: " + image

綜合來看，我們用這些代碼做到了：

在每個圖像上循環(huán)

將圖像編碼為特征向量

將加載的圖像與要識別的圖像進行比較

如果人物一致，我們輸出結(jié)果。如果人物不一致，我們也會輸出結(jié)果

上面的輸出清楚地表明這個簡單人臉識別算法的效果非常好，讓我們嘗試用另一個圖像替換my_image ：

再次運行算法時，輸出變成了這樣：

Not matched: shah_rukh_khan.jpg

Not matched: warren_buffett.jpg

Not matched: barack_obama.jpg

Not matched: ray_dalio.jpg

Not matched: bill_gates.jpg

Not matched: jeff_bezos.jpg

Not matched: mark_zuckerberg.jpg

顯然，馬云不在我們的“語料庫”中。

人臉識別應用

人臉識別是一個有趣的問題，關(guān)于它的研究比較成熟，這項技術(shù)也被廣泛應用于工業(yè)界和學術(shù)界?！案枭瘛睆垖W友之所以能成為“逃犯克星”，演唱會現(xiàn)場布置的先進人臉識別攝像頭功不可沒，這也是人臉識別用于減輕犯罪的一個典例。此外，這項技術(shù)還有許多應用：

身份驗證：蘋果已經(jīng)為iPhone中的人臉身份驗證引入高級面部識別碼，一些常用的APP，如支付寶，也在用戶要求進行個人社保信息操作時要求進行人臉認證。

客戶服務：馬來西亞的一些銀行已經(jīng)安裝了使用人臉識別系統(tǒng)來檢測高價值客戶的系統(tǒng)，以便客服人員提供個性化服務。通過這種方式，銀行可以通過留住這些客戶創(chuàng)造更多收入。

保險承保：許多保險公司正在使用人臉識別系統(tǒng)，將客戶真人面部與照片身份證上的人臉相匹配。這樣，客戶的承保過程會變得更快。

總而言之，人臉識別已經(jīng)開始從各個方面服務社會，雖然某些商業(yè)化應用會存在道德風險，但這些都不應成為阻礙技術(shù)發(fā)展的絆腳石。