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：

• 預先導入所需要的人臉識別模型
• 遍歷循環識別文件夾里面的圖片，讓模型“記住”人物的樣子
• 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：

模塊：os,dlib,glob,numpy

模型：人臉關鍵點檢測器，人臉識別模型

1.導入需要的模塊和模型

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。

對于神經網絡來說，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，其實就是相當于，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。

2.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，并放到一個列表里面，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，具體實現為：

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],

那么由于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。

3.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！

4.運行看一下

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***與每個明星的距離，輸出打印一下：

沒錯，他和黎明的距離是最小的，所以和他也最像了！