如何用40行代码实现人脸识别？

闯红灯这件事情，一直是交通问题的一大头疼病。自从交通法对机动车闯红灯进行扣 6 分的举措后，很多司机朋友们纷纷表示不敢怠慢了。机动车好了，可是非机动车和行人闯红灯的病咋治?当中国式过马路已经深入人心的时候，这不，黑科技来了，乍一看还真的很像警方在搜捕嫌疑人。

近期山东、江苏、深圳等一些城市开始在交通路口上启用了人脸识别系统，针对行人和非机动车闯红灯等违规行为进行抓拍，并现场进行曝光。而对于行人和非机动车闯红灯的行为，交管部门将会给予 20 元到 50 元的罚款。

虽然罚款钱数不多，但是最让大家忌惮的就是，你不文明行为的视频和你的个人信息，都会在大屏幕上全天轮次播放。交警叔叔说了，被拍的市民纷纷表示下次再也不敢闯红灯了。

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。

人脸识别技术到底是怎样实现的呢?

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。

这些人里包括曾经的我自己。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，作者非常勤奋，一直在保持更新。

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：

pipinstalldlib

上面需要用到的 scikit-image 同样只是需要这么一句：

pipinstallscikit-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。例子既然代码不超过 40 行，其实是没啥难度的。

首先先通过文件树看一下今天需要用到的代码：

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。

前期准备

shape_predictor_68_face_landmarks.dat dlib_face_recognition_resnet_model_v1.dat 都可以在这里找到。

不能点击超链接的可以直接输入以下网址：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。

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。

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-*-

importsys,os,dlib,glob,numpy

fromskimageimportio

iflen(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

forfinglob.glob(os.path.join(faces_folder_path,"*.jpg")):

print("Processingfile:{}".format(f))

img=io.imread(f)

#win.clear_overlay()

#win.set_image(img)

#1.人脸检测

dets=detector(img,1)

print("Numberoffacesdetected:{}".format(len(dets)))

fork,dinenumerate(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numpyarray

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=[]

fork,dinenumerate(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

foriindescriptors:

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=lambdad:d[1])

print" Thepersonis:",cd_sorted[0][0]

dlib.hit_enter_to_continue()

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。

有兴趣的朋友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。