实战 | 40行代码实现人脸识别

作者：刘潇龙

原文：http://suo.im/4hNSf1

最近有这么一个黑科技，让之前闯红灯有恃无恐的人们纷纷给交警部门打电话，求交警叔叔能不能把自己的照片撤下来......

人脸抓拍系统的工作原理是：当红灯亮起后，如有行人和非机动车越过停止线，系统会自动抓拍四张照片，保留 15 秒视频并截取违法者头像，即便在晚上也能清晰成像。除了现场回放，交管部门还将连接的户籍信息进行曝光。

以后可千万别闯红灯了，不要以为可以躲过去。

那人脸识别的技术到底怎样的呢？

很多人都认为人脸识别是一项非常难以实现的工作，看到名字就害怕，然后心怀忐忑到网上一搜，看到网上N页的教程立马就放弃了。其实如果如果你不是非要深究其中的原理，只是要实现这一工作的话，人脸识别也没那么难。今天我们就来看看如何在40行代码以内简单地实现人脸识别。

一点区分

对于大部分人来说，区分人脸检测和人脸识别完全不是问题。但是网上有很多教程有意无意地把人脸检测说成是人脸识别，误导群众，造成一些人认为二者是相同的。其实，人脸检测解决的问题是确定一张图上有木有人脸，而人脸识别解决的问题是这个脸是谁的。可以说人脸检测是是人识别的前期工作。

今天我们要做的是人脸识别。

所用工具

• Anaconda 2 —— Python 2

• Dlib

• scikit-image

Dlib

对于今天要用到的主要工具，还是有必要多说几句的。Dlib是基于现代C++的一个跨平台通用的框架。Dlib内容涵盖机器学习、图像处理、数值算法、数据压缩等等，涉猎甚广。更重要的是，Dlib的文档非常完善，例子非常丰富。就像很多库一样，Dlib也提供了Python的接口，安装非常简单，用pip只需要一句即可：

pip install dlib

上面需要用到的 scikit-image同样只是需要这么一句：

pip install scikit-image

• 注：如果用 pip install dlib 安装失败的话，那安装起来就比较麻烦了。错误提示很详细，按照错误提示一步步走就行了。

人脸识别

之所以用 Dlib 来实现人脸识别，是因为它已经替我们做好了绝大部分的工作，我们只需要去调用就行了。Dlib里面有人脸检测器，有训练好的人脸关键点检测器，也有训练好的人脸识别模型。今天我们主要目的是实现，而不是深究原理。感兴趣的同学可以到官网查看源码以及实现的参考文献。

首先先通过文件树看一下今天需要用到的东西：

准备了六个候选人的图片放在 candidate-faces 文件夹中，然后需要识别的人脸图片 test.jpg 。我们的工作就是要检测到 test.jpg 中的人脸，然后判断她到底是候选人中的谁。

另外的 girl-face-rec.py 是我们的python脚本。 shape_predictor_68_face_landmarks.dat是已经训练好的人脸关键点检测器。 dlib_face_recognition_resnet_model_v1.dat 是训练好的ResNet人脸识别模型。ResNet是何凯明在微软的时候提出的深度残差网络，获得了 ImageNet 2015 冠军，通过让网络对残差进行学习，在深度和精度上做到了比 CNN 更加强大。

1. 前期准备

shape_predictor_68_face_landmarks.dat和 dlib_face_recognition_resnet_model_v1.dat在这里：http://dlib.net/files/。

然后准备几个人的人脸图片作为候选人脸，最好是正脸。放到 candidate-faces 文件夹中。

本文这里准备的是六张图片，如下：

她们分别是

然后准备四张需要识别的人脸图像，其实一张就够了，这里只是要看看不同的情况：

可以看到前两张和候选文件中的本人看起来还是差别不小的，第三张是候选人中的原图，第四张图片微微侧脸，而且右侧有阴影。

2.识别流程

数据准备完毕，接下来就是代码了。识别的大致流程是这样的：

• 先对候选人进行人脸检测、关键点提取、描述子生成后，把候选人描述子保存起来。

• 然后对测试人脸进行人脸检测、关键点提取、描述子生成。

• 最后求测试图像人脸描述子和候选人脸描述子之间的欧氏距离，距离最小者判定为同一个人。

3.代码

代码不做过多解释，因为已经注释的非常完善了。以下是 girl-face-rec.py

# -*- coding: UTF-8 -*-
import sys,os,dlib,glob,numpy
from skimage import io
 if len(sys.argv) != 5:
     print "请检查参数是否正确"
     exit()
# 1.人脸关键点检测器
predictor_path = sys.argv[1]
# 2.人脸识别模型
face_rec_model_path = sys.argv[2]
# 3.候选人脸文件夹
faces_folder_path = sys.argv[3]
# 4.需识别的人脸
img_path = sys.argv[4]
# 1.加载正脸检测器
detector = dlib.get_frontal_face_detector()
# 2.加载人脸关键点检测器
sp = dlib.shape_predictor(predictor_path)
# 3. 加载人脸识别模型
facerec = dlib.face_recognition_model_v1(face_rec_model_path)
# win = dlib.image_window()
# 候选人脸描述子list
descriptors = []
# 对文件夹下的每一个人脸进行:
# 1.人脸检测
# 2.关键点检测
# 3.描述子提取
for f in glob.glob(os.path.join(faces_folder_path, "*.jpg")):
    print("Processing file: {}".format(f))
    img = io.imread(f)
    #win.clear_overlay()
    #win.set_image(img)
    # 1.人脸检测
    dets = detector(img, 1)
    print("Number of faces detected: {}".format(len(dets)))
    for k, d in enumerate(dets):  
    # 2.关键点检测
    shape = sp(img, d)
    # 画出人脸区域和和关键点
    # win.clear_overlay()
    # win.add_overlay(d)
    # win.add_overlay(shape)
    # 3.描述子提取，128D向量
    face_descriptor = facerec.compute_face_descriptor(img, shape)
    # 转换为numpy array
    v = numpy.array(face_descriptor)  
    descriptors.append(v)
# 对需识别人脸进行同样处理
# 提取描述子，不再注释
img = io.imread(img_path)
 dets = detector(img, 1)
 dist = []
for k, d in enumerate(dets):
    shape = sp(img, d)
    face_descriptor = facerec.compute_face_descriptor(img, shape)
    d_test = numpy.array(face_descriptor) 
    # 计算欧式距离
    for i in descriptors:
    dist_ = numpy.linalg.norm(i-d_test)
    dist.append(dist_)
# 候选人名单
candidate = ['Unknown1','Unknown2','Shishi','Unknown4','Bingbing','Feifei']
 # 候选人和距离组成一个dict
c_d = dict(zip(candidate,dist))
cd_sorted = sorted(c_d.iteritems(), key=lambda d:d[1])
print "\n The person is: ",cd_sorted[0][0]  
dlib.hit_enter_to_continue()

4.运行结果

我们在 .py所在的文件夹下打开命令行，运行如下命令

python girl-face-rec.py 1.dat 2.dat ./candidate-faecs test1.jpg

由于 shape_predictor_68_face_landmarks.dat 和 dlib_face_recognition_resnet_model_v1.dat 名字实在太长，所以我把它们重命名为 1.dat 和 2.dat 。

运行结果如下：

The person is Bingbing。

记忆力不好的同学可以翻上去看看 test1.jpg 是谁的图片。有兴趣的话可以把四张测试图片都运行下试试。

这里需要说明的是，前三张图输出结果都是非常理想的。但是第四张测试图片的输出结果是候选人4。对比一下两张图片可以很容易发现混淆的原因。

机器毕竟不是人，机器的智能还需要人来提升。

有兴趣的同学可以继续深入研究如何提升识别的准确率。比如每个人的候选图片用多张，然后对比和每个人距离的平均值之类的。全凭自己了。

想要更多实战项目？

【深度学习项目班】4大前沿项目，100%实战，一站式掌握场景、数据、建模与优化！

新增毕业考试且1v1批改，辅助简历优化；

全程提供GPU云实验平台、CPU云实验平台，助力跳槽涨薪！

扫描下方二维码或者点击“阅读原文”了解详情