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，比方图画辨认，语音辨认，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，需求有必定的数学根底，如线性代数，矩阵，微积分等。
幸庆的是，国内外许多大神都现已给咱们造好“轮子”，咱们可以直接来使用某些模型。今日就和大家交流下怎么实现一个简易版的人脸对比，非常风趣！
整体思路：
1、预先导入所需求的人脸辨认模型；
2、遍历循环辨认文件夹里面的图片，让模型“记住”人物的姿态；
3、输入一张新的图画，与前一步文件夹里面的图片比对，返回最接近的成果。
使用到的第三方模块和模型：
1、模块：os,dlib,glob,numpy；
2、模型：人脸要害点检测器，人脸辨认模型。
第一步：导入需求的模型。
这儿解释一下两个dat文件：
它们的本质是参数值（即神经网络的权重）。人脸辨认算是深度学习的一个应用，事先需求通过很多的人脸图画来练习。所以一开始咱们需求去规划一个神经网络结构，来“记住”人类的脸。
关于神经网络来说，即便是同样的结构，不同的参数也会导致辨认的东西不一样。在这儿，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要害点，比方眼睛，嘴巴等等；dlib_face_recognition.dat是在前面检测要害点的根底上，生成人脸的特征值。
所以后边使用dlib模块的时候，其实便是相当于，调用了某个神经网络结构，再把预先练习好的参数传给咱们调用的神经网络。趁便提一下，在深度学习领域中，往往动不动会练习出一个上百M的参数模型出来，是很正常的事。
import os,dlib,glob,numpy
from skimage import io
# 人脸要害点检测器
predictor_path = "shape_predictor.dat"
# 人脸辨认模型、提取特征值
face_rec_model_path = "dlib_face_recognition.dat"
# 练习图画文件夹
faces_folder_path ='train_images'
# 加载模型
detector = dlib.get_frontal_face_detector()
sp = dlib.shape_predictor(predictor_path)
facerec = dlib.face_recognition_model_v1(face_rec_model_path)
第二步：对练习集进行辨认。
在这一步中，咱们要完成的是，对图片文件夹里面的人物图画，核算他们的人脸特征，并放到一个列表里面，为了后边可以和新的图画进行一个间隔核算。要害地方会加上注释，应该不难理解。
candidate = [] # 寄存练习集人物姓名
descriptors = [] #寄存练习集人物特征列表
for f in glob.glob(os.path.join(faces_folder_path,"*.jpg")):
print("正在处理: {}".format(f))
img = io.imread(f)
candidate.append(f.split('\\')[-1].split('.')[0])
# 人脸检测
dets = detector(img, 1)
for k, d in enumerate(dets):
shape = sp(img, d)
# 提取特征
face_descriptor = facerec.compute_face_descriptor(img, shape)
v = numpy.array(face_descriptor)
descriptors.append(v)
print('辨认练习完毕！')
当你做完这一步之后，输出列表descriptors看一下，可以看到相似这样的数组，每一个数组代表的便是每一张图片的特征量（128维）。然后咱们可以使用L2范式（欧式间隔），来核算两者间的间隔。
举个例子，比方通过核算后，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]。
那么因为A和B更接近，所以会以为A和B更像。幻想一下极点情况，如果是同一个人的两张不同相片，那么它们的特征值是不是应该会简直接近呢？知道了这一点，就可以持续往下走了。
第三步：处理待对比的图片。
其实是同样的道理，依样画葫芦，目的便是算出一个特征值出来，所以和第二步差不多。然后再趁便核算出新图片和第二步中每一张图片的间隔，再组成一个字典类型，排个序，选出最小值，搞定收工！
try:
## test_path=input('请输入要检测的图片的途径（记得加后缀哦）:')
img = io.imread(r".\test_images\test6.jpg")
dets = detector(img, 1)
except:
print('输入途径有误，请检查！')
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)
for i in descriptors: #核算间隔
dist_ = numpy.linalg.norm(i-d_test)
dist.append(dist_)
# 练习集人物和间隔组成一个字典
c_d = dict(zip(candidate,dist))
cd_sorted = sorted(c_d.items(), key=lambda d:d[1])
print ("辨认到的人物最有可能是: ",cd_sorted[0][0])
这儿我用了一张“断水流大师兄”林国斌的相片，辨认的成果是，果然，是最接近拂晓晰（嘻嘻，我爱拂晓）。但如果你事先在练习图画集里面有放入林国斌的相片，那么出来的成果便是林国斌了。
为什么是拂晓呢？咱们看一下输入图片里的人物最后与每个明星的间隔，输出打印一下：
{‘刘亦菲’: 0.5269014581137407,
‘刘诗诗’: 0.4779630331578229,
‘唐艺昕’: 0.45967444611419184,
‘杨幂’: 0.4753850256188804,
‘迪丽热巴’: 0.5730399094704894,
‘郑秀妍’: 0.40740137304879187,
‘郑秀晶’: 0.45325515192940385,
‘郭富城’: 0.7624925709626963,
‘拂晓’: 0.8925473299225084}
没错，他和拂晓的间隔是最小的，所以和他也最像了！
源码及模型下载：download.csdn.net/download/m0…
拓宽项目：Python+OpenCv实现AI人脸辨认身份认证系统
