8行代码实现人脸检测、人脸识别以及情绪检测，关键准确度还不错！

---

  新智元报道   

来源：Medium

编辑：元子

【新智元导读】实现人脸检测、人脸识别以及情绪检测最少需要多少代码？8行！目前在人脸识别方面已经做的非常成熟了，但对于开发者来说，对效率的追求是永远不会停止的。通过不断精简代码，目前能够同时实现上述3个功能所需的最少代码是8行，代码已在Github开源。

 

人类具有识别和区分面部的天生能力，但人类也存在脸盲的现象。现在计算机也能够识别并区分人脸，并且这项技术已经非常成熟。人脸检测和识别可以用来改善访问和安全性，就像最新的Apple iPhone一样（参见下面的gif），用户可以在没有实体支付卡（例如银行卡、信用卡等）的情况下，实现刷脸移动支付、启用犯罪识别并允许个性化的医疗保健和其他服务。

人脸检测和识别是一个被广泛研究的课题，在网上可以找到大量的资源。今天向大家展示的一个最简单的实现方式。为了找出最简化、同时又具备一定准确度的实现，本问作者尝试了多个开源项目，而且还创建了一个pipeline，只需8行代码就可以对任何输入图像进行人脸检测，人脸识别和情感理解！ 代码yiji在Github上开源的。

通过这8行代码，我们要实现以下3个功能：

• 面部检测：能够检测任何输入图像或帧中的面部位置。 输出是检测到的面的边界框坐标

• 面部识别：将多个面部进行比较以识别哪些面部属于同一个人。 这是通过比较面嵌入向量来完成的

• 情绪检测：将脸上的情绪分类为快乐，愤怒，悲伤，中立，惊讶，厌恶或恐惧

面部检测

面部检测是pipeline的第一部分。使用python库的Face Recognition，这库非常易于安装并且在检测面部时非常准确。此库扫描输入图像并返回所有检测到的面的边界框坐标，如下所示：

系统需求：

• Python 3.3+ or Python 2.7

• macOS or Linux

安装指南：

首先确保你已经安装了dlib。如果没有可以谷歌如何安装。

然后通过下面命令进行安装（缺人你的Python版本，如果是2就把pip3改成pip2）

pip3 install face_recognition

下面的代码段显示了如何使用face_recognition库来检测面部

face_locations = face_recognition.face_locations(image) top, right, bottom, left = face_locations[0] face_image = image[top:bottom, left:right] 

有关安装人脸识别和使用它的完整说明也在Github上

面部识别

面部识别用于验证两张脸是否相同。面部识别的使用在安全性、生物指标、娱乐、人身安全等方面有着巨大的需求和价值。用于面部检测的python库face_recognition也可以用于面部识别。

测试显示，该库具有良好的性能。给定两张脸进行匹配，最终得出对比结果为True或False。面部识别涉及的步骤是

• 在图像中查找面部

• 分析面部特征

• 比较2个输入面的特征

• 如果匹配则返回True，否则返回False

执行此操作的代码段如下所示。我们为两张脸创建脸部的编码矢量，然后使用内置函数来比较矢量之间的距离。

encoding_1 = face_recognition.face_encodings（image1）[0] encoding_2 = face_recognition.face_encodings（image1）[0] results = face_recognition.compare_faces（[encoding_1]，encoding_2，tolerance = 0.50）

现在用下面两张图来测试模型：

如图所示，我们有两张不同姿势的莱昂纳多迪卡普里奥的脸。甚至第一个照片里的脸还不是正面镜头。使用上面代码进行识别，我们的人脸识别程序能够确定这两张脸属于同一个人！

情绪检测

人类习惯于察言观色。现在，计算机在读懂人类面部情绪方面，做的越来越好了。所以计算机是如何做到检测图像中的情绪呢？这里我们使用一个开源数据集，来自Kaggle的Face Emotion Recognition（FER ），并构建了一个CNN来检测情绪。我们定义情绪可分为7类：快乐，悲伤，恐惧，厌恶，愤怒，无所谓和惊讶。

首先让我们在Keras中构建一个6层卷积神经网络（CNN），并使用图像增强来提高模型性能。尝试了许多不同的模型之后，我们找出了最佳实现，并将此开源，读者可以访问以下链接查看代码：

https://github.com/priya-dwivedi/face_and_emotion_detection/blob/master/src/EmotionDetector_v2.ipynb

现在你可以使用以下两行代码加载预训练模型并在图像上运行它：

model = load_model("./emotion_detector_models/model.hdf5") predicted_class = np.argmax(model.predict(face_image) 

结论

如你所见，面部识别在今天看来，已经是一个非常简单的任务，你甚至仅仅使用8行代码就可以实现。当然精确度可能有待商榷，但起码在一半情况下是完全具备可用性的。

参考链接：

https://towardsdatascience.com/face-detection-recognition-and-emotion-detection-in-8-lines-of-code-b2ce32d4d5de

更多阅读：

• 专访Ian Goodfellow：欲在谷歌打造GAN团队，用假数据训练真模型
  

• GAN 作者 Goodfellow：我为什么离开 OpenAI 重回谷歌大脑

• Ian Goodfellow：我最大的失败是用无监督解决计算机视觉的监督学习问题

---

【2019新智元 AI 技术峰会精彩回顾】

2019年3月27日，新智元再汇AI之力，在北京泰富酒店举办AI开年盛典——2019新智元AI技术峰会。峰会以“智能云•芯世界“为主题，聚焦智能云和AI芯片的发展，重塑未来AI世界格局。

同时，新智元在峰会现场权威发布若干AI白皮书，聚焦产业链的创新活跃，评述AI独角兽影响力，助力中国在世界级的AI竞争中实现超越。

嘉宾精彩演讲：