用Python实现一个简单的

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：

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

使用到的第三方模块和模型：

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：

它们的本质是参数值（即神经网络的权重）。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。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。

所以后面使用dlib模块的时候，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

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，计算他们的人脸特征，并放到一个列表里面，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

其实是同样的道理，如法炮制，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，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！ 目前我成立了一个Python工作圈，希望汇聚1000人的Python工作圈。

总之，想更多的了解Python圈，积累人脉和资源，了解不同的岗位都可以进来了聊一聊(目前有国内一些大公司的经理和技术骨干，也有外企的小伙伴，还有在硅谷工作海外人士，更多嘉宾大咖正在邀请中)。

目前冷启动的价格是58元

每超过100人后，我会涨价20元

Python趣味实战群

入群已260人

需要源码的同学可以后台输入:【小助手】，找小助手拿。