最近聽說(shuō)有這么一個(gè)黑科技，讓之前闖紅燈有恃無(wú)恐的人們紛紛給交警部門打電話，求交警叔叔能不能把自己的照片撤下來(lái)......

[[197832]]

闖紅燈這件事情，一直是交通問題的一大頭疼病。自從交通法對(duì)機(jī)動(dòng)車闖紅燈進(jìn)行扣 6 分的舉措后，很多司機(jī)朋友們紛紛表示不敢怠慢了。

[[197833]]

機(jī)動(dòng)車好了，可是非機(jī)動(dòng)車和行人闖紅燈的病咋治?當(dāng)中國(guó)式過(guò)馬路已經(jīng)深入人心的時(shí)候，這不，黑科技來(lái)了，乍一看還真的很像警方在搜捕嫌疑人。

[[197834]]

[[197835]]

近期山東、江蘇、深圳等一些城市開始在交通路口上啟用了人臉識(shí)別系統(tǒng)，針對(duì)行人和非機(jī)動(dòng)車闖紅燈等違規(guī)行為進(jìn)行抓拍，并現(xiàn)場(chǎng)進(jìn)行曝光。

而對(duì)于行人和非機(jī)動(dòng)車闖紅燈的行為，交管部門將會(huì)給予 20 元到 50 元的罰款。

[[197836]]

雖然罰款錢數(shù)不多，但是最讓大家忌憚的就是，你不文明行為的視頻和你的個(gè)人信息，都會(huì)在大屏幕上全天輪次播放。交警叔叔說(shuō)了，被拍的市民紛紛表示下次再也不敢闖紅燈了。

[[197837]]

[[197838]]

人臉抓拍系統(tǒng)的工作原理是：當(dāng)紅燈亮起后，如有行人和非機(jī)動(dòng)車越過(guò)停止線，系統(tǒng)會(huì)自動(dòng)抓拍四張照片，保留 15 秒視頻并截取違法者頭像，即便在晚上也能清晰成像。除了現(xiàn)場(chǎng)回放，交管部門還將連接的戶籍信息進(jìn)行曝光。

人臉識(shí)別技術(shù)到底是怎樣實(shí)現(xiàn)的呢?

很多人都認(rèn)為人臉識(shí)別是一項(xiàng)非常難以實(shí)現(xiàn)的工作，看到名字就害怕，然后心懷忐忑到網(wǎng)上一搜，看到網(wǎng)上 N 頁(yè)的教程立馬就放棄了。

這些人里包括曾經(jīng)的我自己。其實(shí)如果如果你不是非要深究其中的原理，只是要實(shí)現(xiàn)這一工作的話，人臉識(shí)別也沒那么難。

今天我們就來(lái)看看如何在 40 行代碼以內(nèi)簡(jiǎn)單地實(shí)現(xiàn)人臉識(shí)別。

一點(diǎn)區(qū)分

對(duì)于大部分人來(lái)說(shuō)，區(qū)分人臉檢測(cè)和人臉識(shí)別完全不是問題。但是網(wǎng)上有很多教程有意無(wú)意地把人臉檢測(cè)說(shuō)成是人臉識(shí)別，誤導(dǎo)群眾，造成一些人認(rèn)為二者是相同的。

其實(shí)，人臉檢測(cè)解決的問題是確定一張圖上有木有人臉，而人臉識(shí)別解決的問題是這個(gè)臉是誰(shuí)的。可以說(shuō)人臉檢測(cè)是是人識(shí)別的前期工作。

今天我們要做的是人臉識(shí)別。

所用工具

Anaconda 2 —— Python 2

Dlib

scikit-image

Dlib

對(duì)于今天要用到的主要工具，還是有必要多說(shuō)幾句的。Dlib 是基于現(xiàn)代 C++ 的一個(gè)跨平臺(tái)通用的框架，作者非常勤奮，一直在保持更新。

Dlib 內(nèi)容涵蓋機(jī)器學(xué)習(xí)、圖像處理、數(shù)值算法、數(shù)據(jù)壓縮等等，涉獵甚廣。更重要的是，Dlib 的文檔非常完善，例子非常豐富。就像很多庫(kù)一樣，Dlib 也提供了 Python 的接口，安裝非常簡(jiǎn)單，用 pip 只需要一句即可：

pip install dlib 

上面需要用到的 scikit-image 同樣只是需要這么一句：

pip install scikit-image 

注：如果用 pip install dlib 安裝失敗的話，那安裝起來(lái)就比較麻煩了。錯(cuò)誤提示很詳細(xì)，按照錯(cuò)誤提示一步步走就行了。

人臉識(shí)別

之所以用 Dlib 來(lái)實(shí)現(xiàn)人臉識(shí)別，是因?yàn)樗呀?jīng)替我們做好了絕大部分的工作，我們只需要去調(diào)用就行了。Dlib 里面有人臉檢測(cè)器，有訓(xùn)練好的人臉關(guān)鍵點(diǎn)檢測(cè)器，也有訓(xùn)練好的人臉識(shí)別模型。

今天我們主要目的是實(shí)現(xiàn)，而不是深究原理。例子既然代碼不超過(guò) 40 行，其實(shí)是沒啥難度的。

首先先通過(guò)文件樹看一下今天需要用到的代碼：

準(zhǔn)備了六個(gè)候選人的圖片放在 candidate-faces 文件夾中，然后需要識(shí)別的人臉圖片 test.jpg 。我們的工作就是要檢測(cè)到 test.jpg 中的人臉，然后判斷她到底是候選人中的誰(shuí)。

另外的 girl-face-rec.py 是我們的 python 腳本。

shape_predictor_68_face_landmarks.dat 是已經(jīng)訓(xùn)練好的人臉關(guān)鍵點(diǎn)檢測(cè)器。

dlib_face_recognition_resnet_model_v1.dat 是訓(xùn)練好的 ResNet 人臉識(shí)別模型。

ResNet 是何凱明在微軟的時(shí)候提出的深度殘差網(wǎng)絡(luò)，獲得了 ImageNet 2015 冠軍，通過(guò)讓網(wǎng)絡(luò)對(duì)殘差進(jìn)行學(xué)習(xí)，在深度和精度上做到了比 CNN 更加強(qiáng)大。

前期準(zhǔn)備

shape_predictor_68_face_landmarks.dat和 dlib_face_recognition_resnet_model_v1.dat 都可以在這里找到。

不能點(diǎn)擊超鏈接的可以直接輸入以下網(wǎng)址：http://dlib.net/files/。

然后準(zhǔn)備幾個(gè)人的人臉圖片作為候選人臉，***是正臉。放到 candidate-faces 文件夾中。

本文這里準(zhǔn)備的是六張圖片，如下：

[[197839]]

她們分別是：

然后準(zhǔn)備四張需要識(shí)別的人臉圖像，其實(shí)一張就夠了，這里只是要看看不同的情況：

[[197840]]

可以看到前兩張和候選文件中的本人看起來(lái)還是差別不小的，第三張是候選人中的原圖，第四張圖片微微側(cè)臉，而且右側(cè)有陰影。

識(shí)別流程

數(shù)據(jù)準(zhǔn)備完畢，接下來(lái)就是代碼了。識(shí)別的大致流程是這樣的：

先對(duì)候選人進(jìn)行人臉檢測(cè)、關(guān)鍵點(diǎn)提取、描述子生成后，把候選人描述子保存起來(lái)。

然后對(duì)測(cè)試人臉進(jìn)行人臉檢測(cè)、關(guān)鍵點(diǎn)提取、描述子生成。

***求測(cè)試圖像人臉描述子和候選人臉描述子之間的歐氏距離，距離最小者判定為同一個(gè)人。

代碼

代碼不做過(guò)多解釋，因?yàn)橐呀?jīng)注釋的非常完善了。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 "請(qǐng)檢查參數(shù)是否正確" 
     exit() 
# 1.人臉關(guān)鍵點(diǎn)檢測(cè)器 
predictor_path = sys.argv[1] 
# 2.人臉識(shí)別模型 
face_rec_model_path = sys.argv[2] 
# 3.候選人臉文件夾 
faces_folder_path = sys.argv[3] 
# 4.需識(shí)別的人臉 
img_path = sys.argv[4] 
# 1.加載正臉檢測(cè)器 
detector = dlib.get_frontal_face_detector() 
# 2.加載人臉關(guān)鍵點(diǎn)檢測(cè)器 
sp = dlib.shape_predictor(predictor_path) 
# 3. 加載人臉識(shí)別模型 
facerec = dlib.face_recognition_model_v1(face_rec_model_path) 
# win = dlib.image_window() 
# 候選人臉描述子list 
descriptors = [] 
# 對(duì)文件夾下的每一個(gè)人臉進(jìn)行: 
# 1.人臉檢測(cè) 
# 2.關(guān)鍵點(diǎn)檢測(cè) 
# 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.人臉檢測(cè) 
    dets = detector(img, 1) 
    print("Number of faces detected: {}".format(len(dets))) 
    for k, d in enumerate(dets):   
    # 2.關(guān)鍵點(diǎn)檢測(cè) 
    shape = sp(img, d) 
    # 畫出人臉區(qū)域和和關(guān)鍵點(diǎn) 
    # 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) 
    # 轉(zhuǎn)換為numpy array 
    v = numpy.array(face_descriptor)   
    descriptors.append(v) 
# 對(duì)需識(shí)別人臉進(jìn)行同樣處理 
# 提取描述子，不再注釋 
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)  
    # 計(jì)算歐式距離 
    for i in descriptors: 
    dist_ = numpy.linalg.norm(i-d_test) 
    dist.append(dist_) 
# 候選人名單 
candidate = ['Unknown1','Unknown2','Shishi','Unknown4','Bingbing','Feifei'] 
 # 候選人和距離組成一個(gè)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() 

運(yùn)行結(jié)果

我們?cè)?.py 所在的文件夾下打開命令行。運(yùn)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 名字實(shí)在太長(zhǎng)，所以我把它們重命名為 1.dat 和 2.dat 。

運(yùn)行結(jié)果如下：

• The person is Bingbing。

記憶力不好的同學(xué)可以翻上去看看 test1.jpg 是誰(shuí)的圖片。有興趣的話可以把四張測(cè)試圖片都運(yùn)行下試試。

這里需要說(shuō)明的是，前三張圖輸出結(jié)果都是非常理想的。但是第四張測(cè)試圖片的輸出結(jié)果是候選人 4。對(duì)比一下兩張圖片可以很容易發(fā)現(xiàn)混淆的原因。

機(jī)器畢竟不是人，機(jī)器的智能還需要人來(lái)提升。

有興趣的朋友可以繼續(xù)深入研究如何提升識(shí)別的準(zhǔn)確率。比如每個(gè)人的候選圖片用多張，然后對(duì)比和每個(gè)人距離的平均值之類的，全憑自己了。