这几年掀起了一波人工智能热潮，让人们看到了AI的能力和威力，比如图像识别、语音识别、机器翻译、无人驾驶等等。总体来说，AI的门槛还是比较高的。不仅要学会使用框架来实现，更重要的是需要有一定的数学基础，比如线性代数、矩阵、微积分等。好在国内外很多大神都已经为我们造好了“轮子”，我们可以直接使用一些模型。今天给大家分享一下如何实现简易版的人脸比对，很有意思！总体思路：预先导入需要的人脸识别模型遍历文件夹中的图片进行循环识别，让模型“记住”人的长相，输入一张新图片，与上一步文件夹中的图片进行对比,并返回最后用于close结果的第三方模块和模型：模块：os,dlib,glob,numpy模型：人脸关键点检测器，人脸识别模型1.导入需要的模块和模型这里有两个dat文件解释:它们本质上是参数值（即神经网络的权重）。人脸识别是深度学习的一种应用，需要事先用大量的人脸图像进行训练。所以一开始我们需要设计一个神经网络结构来“记住”人脸。对于神经网络，即使是相同的结构，不同的参数也会导致不同的识别。这里，这两个参数文件对应不同的功能（它们对应不同的神经网络结构）：shape_predictor.dat用于检测人脸关键点，如眼睛、嘴巴等；dlib_face_recognition.dat是在前面检测关键点的基础上，生成人脸的特征值。所以后面使用dlib模块的时候，其实就相当于调用了某个神经网络结构，然后把预训练好的参数传递给我们调用的神经网络。顺便说一句，在深度学习领域，动不动就训练一个几百M的参数模型很正常。2.识别训练集。在这一步中，我们要做的就是计算出图片文件夹中人物的五官特征，并把他们放在一个列表中，以便后面和新的图片进行对比。距离计算。重点会加上注释，应该不难理解。具体实现是：完成这一步后，看一下输出的listdescriptors，可以看到是这样一个数组，每个数组代表每个图片体（128维）的特征。那么我们就可以使用L2范式（欧氏距离）来计算两者之间的距离。比如经过计算，A的特征值为[x1,x2,x3]，B的特征值为[y1,y2,y3]，C的特征值为[z1,z2,z3]]，那么因为A和B距离更近，所以会认为A和B更像。想象一个极端的情况。如果是同一个人的两张不同照片，它们的特征值应该差不多吧？了解这一点，您可以继续前进。3、处理待比对图片的过程其实也是一样的原理，目的都是为了计算一个特征值，所以和第二步类似。然后顺便在第二步计算新图片和每张图片的距离，然后合成一个字典类型，排序，选最小值，收工！4.运行看看。这里我用了一张“断水流一哥”林国斌的照片。识别结果果然是离黎明最近的（嘻嘻，我爱黎明）。但是如果事先把林国斌的照片放到训练图像集中，那么结果就是林国斌。为什么是黎明？我们看一下输入图片中人物***和每一个星星的距离，打印输出：是的，他和黎明的距离最小，所以他和他最相似！Python是如此有趣和有趣。可以玩爬虫，探索数据分析，量化金融赚钱，也可以撩妹子做自动化工作。机器学习领域更牛逼，人脸识别、自然语言处理、数据预测与挖掘！【责任编辑：庞桂玉电话：（010）68476606】
