介紹：
之前看了一篇在Ubuntu上寫的人臉識別，自己在mac下試了一下，覺得有必要再擴展一下，通過一個簡單的例子來了解一下人臉識別的過程。
準備知識：
歐幾里得距離：是一個通常採用的距離定義，指在m維空間中兩個點之間的真實距離，或者向量的自然長度（即該點到原點的距離）。在二維和三維空間中的歐氏距離就是兩點之間的實際距離。公式如圖：
就是說兩項間的差是每個變量值差的平方和再平方根，目的是計算其間的整體距離即不相似性，同樣的，如果距離短則相似度高。
K-Means：屬於硬聚類算法，是典型的基於原型的目標函數聚類方法的代表，它是數據點到原型的某種距離作為優化的目標函數，利用函數求極值的方法得到迭代運算的調整規則。K-means算法以歐式距離作為相似度測度，它是求對應某一初始聚類中心向量V最優分類，使得評價指標J最小。算法採用誤差平方和準則函數作為聚類準則函數。
安裝依賴庫：
備註：mac下沒有apt-get，但是對應的可以用brew來安裝，下面我們通過brew來安裝庫文件
安裝cmake (是一個跨平臺的安裝工具) : brew install cmake
安裝boost（C++的程序庫）：brew install boost-python --with-python2.7
編譯dlib：
git clone https://github.com/davisking/dlib.git
進入dlib然後創建文件夾build並進入
開始編譯 ：cmake .. -DDLIB_USE_CUDA=0 -DUSE_AVX_INSTRUCTIONS=1
cmake --build .
cd ..
python setup.py install --yes USE_AVX_INSTRUCTIONS --no DLIB_USE_CUDA
4.安裝人臉識別的python庫：pip install face_recognition
人臉識別
使用face_recognition進行人臉識別，這裡我們直接使用命令行執行，首先需要準備兩個文件夾，一個是存放樣本，一個是存放將要識別的圖片。
如下圖1 avimage這個文件夾中存放的是我們的樣本三張圖片，是一些小時候的女明星：
下面是result的文件夾，裡面放著將要進行識別的圖片
然後執行命令：第一個參數是樣本文件夾，第二個參數是測試文件夾
face_recognition avimage/ results/
可以看出，識別出了倉老師和龍澤老師的圖片.
人臉特徵：
首先來列舉一下人臉的主要特徵有哪些：
chin 下巴
eyebrow 眉毛 （分左右眉毛）
nose bridge 鼻樑
nose tip 鼻尖
eye 眼睛 （分左右眼睛）
top lip 上嘴唇
bottom lip 下嘴唇
face_recognition包含提取人臉特徵的方法，調用face_landmarks即可獲取以上特徵的信息，看一下代碼：
from PIL import Image, ImageDraw
import face_recognition
#加載圖片
image = face_recognition.load_image_file("TeacherCang.png")
#獲取特徵
face_landmarks_list = face_recognition.face_landmarks(image)
for face_landmarks in face_landmarks_list:
facial_features = [
'chin',
'left_eyebrow',
'right_eyebrow',
'nose_bridge',
'nose_tip',
'left_eye',
'right_eye',
'top_lip',
'bottom_lip'
]
#數組數據轉化為圖片
pil_image = Image.fromarray(image)
d = ImageDraw.Draw(pil_image)
#在圖片上把識別出的特徵用線畫出來
for facial_feature in facial_features:
d.line(face_landmarks[facial_feature], width=5)
pil_image.show()
代碼執行後的效果是：
人臉識別的步驟：
人臉邊框檢測：這一步是去發現輸入圖片中的人臉的位置，根據位置生成邊框，最後輸出一張只帶有人臉的邊框，如圖：
2. 效準圖像：對於輸入的原始圖像 + 人臉的邊框，這一步要做的事情就是要檢測人臉中的關鍵點，然後根據這些關鍵點對人臉做對齊校準。所謂關鍵點，就是下圖所示的綠色的點，通常是眼角的位置、鼻子的位置、臉的輪廓點等等。有了這些關鍵點後，我們就可以把人臉“校準”，或者說是“對齊”。解釋就是原先人臉可能比較歪，這裡根據關鍵點，使用仿射變換將人臉統一“擺正”，儘量去消除姿勢不同帶來的誤差。這一步我們一般叫Face Alignment。
3. 圖像轉向量：運用卷積神經網絡，將輸入的人臉圖像，轉換成一個向量的表示。下面通過一個非常基礎的模型VGG16來了解一下：
在理想的狀況下，我們希望“向量表示”之間的距離就可以直接反映人臉的相似度：
對於同一個人的人臉圖像，對應的向量的歐幾里得距離應該比較小。
對於不同人的人臉圖像，對應的向量之間的歐幾里得距離應該比較大。
4. 向量對比：
根據人臉的向量可得：相同的人臉對應的向量的距離小，不同人臉對應的向量距離大的特點。檢測A、B是否是屬於同一個人。只需要計算向量之間的距離，設定合適的報警閾值（threshold）即可，或者給定一張圖片，檢測數據庫中與之最相似的人臉，顯然可以被轉換為一個求距離的最近鄰問題。
總結：
介紹了人臉識別庫face_recognition在mac下的安裝和使用，以及人臉識別的流程：人臉邊框檢測，效準圖像，圖像轉向量，向量對比。
閱讀更多 5分鐘機器學習 的文章
