这篇文章主要讲解了“Python怎么构建人脸识别模型”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“Python怎么构建人脸识别模型”吧！

创新互联主要为客户提供服务项目涵盖了网页视觉设计、VI标志设计、全网营销推广、网站程序开发、HTML5响应式重庆网站建设、手机网站制作设计、微商城、网站托管及网页维护、WEB系统开发、域名注册、国内外服务器租用、视频、平面设计、SEO优化排名。设计、前端、后端三个建站步骤的完善服务体系。一人跟踪测试的建站服务标准。已经为成都PE包装袋行业客户提供了网站维护服务。

01 介绍

你是否意识到，每当你上传照片到Facebook上，平台都会用人脸识别算法来识别图片中的人物？目前还有一些政府在用人脸识别技术来识别和抓捕罪犯。此外，最常见的应用就是通过自己的脸部解锁手机。

计算机视觉的子领域应用得非常广泛，并且全球很多商业活动都已经从中获益。人脸识别模型的使用在接下来的几年内还会继续增长，所以一起来了解如何从零开始构建人脸识别模型吧！

本文首先会介绍人脸识别模型的内部工作原理。随后结合一个简单的案例，我们将通过Python进行案例实践。在本文的***部分，你将完成你的***个人脸识别模型！

02 理解人脸识别的工作原理

为了理解人脸识别算法工作原理，我们首先来了解一下特征向量的概念。（译者注：此处的特征向量指机器学习的概念，不同于矩阵理论。）

每个机器学习算法都会将数据集作为输入，并从中学习经验。算法会遍历数据并识别数据中的模式。例如，假定我们希望识别指定图片中人物的脸，很多物体是可以看作模式的：

• 脸部的长度/宽度。

• 由于图片比例会被调整，长度和高度可能并不可靠。然而，在放缩图片后，比例是保持不变的——脸部长度和宽度的比例不会改变。

• 脸部肤色。

• 脸上局部细节的宽度，如嘴，鼻子等。

显而易见，此时存在一个模式——不同的脸有不同的维度，相似的脸有相似的维度。有挑战性的是需要将特定的脸转为数字，因为机器学习算法只能理解数字。表示一张脸的数字（或训练集中的一个元素）可以称为特征向量。一个特征向量包括特定顺序的各种数字。

举一个简单的例子，我们可以将一张脸映射到一个特征向量上。特征向量由不同的特征组成，如：

• 脸的长度（cm）

• 脸的宽度（cm）

• 脸的平均肤色（R，G，B）

• 唇部宽度（cm）

• 鼻子长度（cm）

当给定一个图片时，我们可以标注不同的特征并将其转化为如下的特征向量：

如此一来，我们的图片现在被转化为一个向量，可以表示为(23.1,15.8,255,224,189,5.2,4.4)。当然我们还可以从图片中衍生出无数的其他特征（如，头发颜色，胡须，眼镜等）。然而在这个简单的例子中，我们只考虑这五个简单的特征。

现在，一旦我们将每个图片解码为特征向量，问题就变得更简单。明显地，当我们使用同一个人的两张面部图片时，提取的特征向量会非常相似。换言之，两个特征向量的“距离”就变得非常小。

此时机器学习可以帮我们完成两件事：

• 提取特征向量。由于特征过多，手动列出所有特征是非常困难的。一个机器学习算法可以自动标注很多特征。例如，一个复杂的特征可能是：鼻子长度和前额宽度的比例。手动列出所有的这些衍生特征是非常困难的。

• 匹配算法：一旦得到特征向量，机器学习算法需要将新图片和语料库中的特征向量进行匹配。

既然我们对人脸识别如何工作有了基本的理解，让我们运用一些广泛使用的Python库来搭建自己的人脸识别算法。

03 案例学习

首先给定一些人物脸部的图片——可能是一些名人，如Mark Zuckerberg, Warren Buffett, Bill Gates, Shah Rukh Khan等，并把这些人脸看作我们的语料库。现在，我们给定一些其他名人的新图片（“新人物”），并判断这些“新人物”是否在语料库中。

以下是语料库中的图片：

如图所示，我们所列举的名人有Barack Obama, Bill Gates, Jeff Bezos, Mark Zuckerberg, Ray Dalio 和Shah Rukh Khan。

现在，假定“新人物”如下：

▲注：以上所有图片均来自Google图片

显而易见，这是Shah Rukh Khan。然而对电脑来说，这个任务很有挑战性。因为对于我们来说，我们可以轻易地将图片的多种特征结合来判断这是哪个人物。然而对电脑而言，学习如何识别人脸是非常不直观的。

有一个神奇但是简单的python库封装了以上提及的内容——可以根据脸部特征生成特征向量并且知道如何区分不同的脸。这个python库叫做face_recognition。它应用了dlib——一个现代C++工具包，其中包含了一些机器学习算法来帮助完成复杂的基于C++的应用。

Python中的face_recognition库可以完成大量的任务：

• 发现给定图片中所有的脸。

• 发现并处理图片中的脸部特征。

• 识别图片中的脸。

• 实时的人脸识别。

接下来，我们将探讨其中的第三种任务——识别图片中的脸。

你可以在github的如下链接中获取face_recognition库的源代码。

04 Python应用

这部分包括使用face_recognition库搭建简单人脸识别系统的代码。这是一个应用操作的部分，我们将在下一部分解读代码来理解更多细节。

# import the libraries  import os  import face_recognition  # make a list of all the available images  images = os.listdir('images')  # load your image  image_to_be_matched = face_recognition.load_image_file('my_image.jpg')  # encoded the loaded image into a feature vector  image_to_be_matched_encoded = face_recognition.face_encodings(      image_to_be_matched)[0]  # iterate over each image  for image in images:      # load the image      current_image = face_recognition.load_image_file("images/" + image)      # encode the loaded image into a feature vector      current_image_encoded = face_recognition.face_encodings(current_image)[0]      # match your image with the image and check if it matches      result = face_recognition.compare_faces(          [image_to_be_matched_encoded], current_image_encoded)      # check if it was a match      if result[0] == True:          print "Matched: " + image      else:          print "Not matched: " + image

文件结构如下：

facialrecognition：

• fr.py

• my_image.jpg

• images/

• barack_obama.jpg

• bill_gates.jpg

• jeff_bezos.jpg

• mark_zuckerberg.jpg

• ray_dalio.jpg

• shah_rukh_khan.jpg

• warren_buffett.jpg

我们的根目录，facialrecognition包括：

• fr.py的形式的人脸识别代码。

• my_image.jpg – 即将被识别的图片(“新人物”)。

• images/ – 语料库。

如果你按照前文创建文件结构并执行代码，如下是你能得到的结果：

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

显而易见，新名人是Shah Rukh Khan 并且我们的人脸识别系统可以识别!

05 理解Python代码

现在让我们解读代码来，并理解其工作原理：

# import the libraries  import os  import face_recognition

以上是引入操作。我们将通过已经建好的os库来读入语料库中的所有图片，并且通过face_recognition来完成算法部分。

# make a list of all the available images  images = os.listdir('images')

这个简单的代码将帮助我们识别语料库中所有图片的路径。一旦执行这些代码，我们可以得到：

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

现在，以下代码将加载新人物的图片：

# load your image  image_to_be_matched = face_recognition.load_image_file('my_image.jpg')

为了保证算法可以解析图片，我们将人物脸部图片转化为特征向量：

# encoded the loaded image into a feature vector  image_to_be_matched_encoded = face_recognition.face_encodings(      image_to_be_matched)[0]

剩余的代码相对简单：

# iterate over each image  for image in images:      # load the image      current_image = face_recognition.load_image_file("images/" + image)      # encode the loaded image into a feature vector      current_image_encoded = face_recognition.face_encodings(current_image)[0]      # match your image with the image and check if it matches      result = face_recognition.compare_faces(          [image_to_be_matched_encoded], current_image_encoded)      # check if it was a match      if result[0] == True:          print "Matched: " + image      else:          print "Not matched: " + image

此时，我们：

• 对每个图像进行循环操作。

• 将图像解析为特征向量。

• 比较语料库中已经加载的图片和被识别的新人物图片。

• 如果两者匹配，我们就显示出来。如果不匹配，我们也要显示结果。

如上所示，结果显示这个简单的人脸识别算法进行得很顺利。让我们尝试将my_image替换为另一个图片：

当你再次运行这个算法，将会看到如下结果：

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

很明显，系统没有将马云识别为以上的任何一个名人。这意味着我们的算法在以下方面都表现得很好：

• 正确地识别那些在语料库中存储的人。

• 对语料库中不存在的人物进行标注。

06 人脸识别算法的应用

人脸识别是一个成熟的研究方向，已被广泛地应用在工业界和学术界。例如，一个罪犯在中国被捕可能就得益于人脸识别系统：系统识别了他的脸并发出警报。由此可见，面部识别可以用来减少犯罪。还有许多其他有趣的人脸识别案例:

• 面部身份验证：Apple在iPhones中引入了Face ID以用于面部身份验证。一些银行也尝试使用面部身份验证来解锁。

• 用户服务：马来西亚的一些银行安装了新的人脸识别系统，用于识别有价值的银行客户，以便银行为其提供个人服务。进而银行可以通过维持这类用户并提升用户满意度来获取更多收益。

• 保险行业：很多保险公司正在通过运用人脸识别系统来匹配人的脸和ID提供的照片，使赔付过程变得更简单。

感谢各位的阅读，以上就是“Python怎么构建人脸识别模型”的内容了，经过本文的学习后，相信大家对Python怎么构建人脸识别模型这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是创新互联，小编将为大家推送更多相关知识点的文章，欢迎关注！

名称栏目：Python怎么构建人脸识别模型
本文URL：http://scgulin.cn/article/gdcsdd.html