翻譯：王雨桐
校對：蔣雨暢
本文約2500字，建議閱讀10分鐘。
本文將介紹人臉識別的基本思路和對代碼進行簡要分析。
介紹
你是否意識到，每當你上傳照片到Facebook上，平臺都會用人臉識別算法來識別圖片中的人物？目前還有一些政府在用人臉識別技術來識別和抓捕罪犯。此外，最常見的應用就是通過自己的臉部解鎖手機。
計算機視覺的子領域應用得非常廣泛，並且全球很多商業活動都已經從中獲益。人臉識別模型的使用在接下來的幾年內還會繼續增長，所以一起來了解如何從零開始構建人臉識別模型吧！
本文首先會介紹人臉識別模型的內部工作原理。隨後結合一個簡單的案例，我們將通過Python進行案例實踐。在本文的最後部分，你將完成你的第一個人臉識別模型！
目錄
- 理解人臉識別的工作原理
- 案例學習
- Python應用
- 理解Python代碼
- 人臉識別算法的應用
理解人臉識別的工作原理
為了理解人臉識別算法工作原理，我們首先來了解一下特徵向量的概念。（譯者注：此處的特徵向量指機器學習的概念，不同於矩陣理論。）
每個機器學習算法都會將數據集作為輸入，並從中學習經驗。算法會遍歷數據並識別數據中的模式。例如，假定我們希望識別指定圖片中人物的臉，很多物體是可以看作模式的：
- 臉部的長度/寬度。
- 由於圖片比例會被調整，長度和高度可能並不可靠。然而，在放縮圖片後，比例是保持不變的——臉部長度和寬度的比例不會改變。
- 臉部膚色。
- 臉上局部細節的寬度，如嘴，鼻子等。
顯而易見，此時存在一個模式——不同的臉有不同的維度，相似的臉有相似的維度。有挑戰性的是需要將特定的臉轉為數字，因為機器學習算法只能理解數字。表示一張臉的數字（或訓練集中的一個元素）可以稱為特徵向量。一個特徵向量包括特定順序的各種數字。
舉一個簡單的例子，我們可以將一張臉映射到一個特徵向量上。特徵向量由不同的特徵組成，如：
- 臉的長度（cm）
- 臉的寬度（cm）
- 臉的平均膚色（R，G，B）
- 唇部寬度（cm）
- 鼻子長度（cm）
當給定一個圖片時，我們可以標註不同的特徵並將其轉化為如下的特徵向量：
如此一來，我們的圖片現在被轉化為一個向量，可以表示為(23.1,15.8,255,224,189,5.2,4.4)。當然我們還可以從圖片中衍生出無數的其他特徵（如，頭髮顏色，鬍鬚，眼鏡等）。然而在這個簡單的例子中，我們只考慮這五個簡單的特徵。
現在，一旦我們將每個圖片解碼為特徵向量，問題就變得更簡單。明顯地，當我們使用同一個人的兩張面部圖片時，提取的特徵向量會非常相似。換言之，兩個特徵向量的“距離”就變得非常小。
此時機器學習可以幫我們完成兩件事：
- 提取特徵向量。由於特徵過多，手動列出所有特徵是非常困難的。一個機器學習算法可以自動標註很多特徵。例如，一個複雜的特徵可能是：鼻子長度和前額寬度的比例。手動列出所有的這些衍生特徵是非常困難的。
- 匹配算法：一旦得到特徵向量，機器學習算法需要將新圖片和語料庫中的特徵向量進行匹配。
既然我們對人臉識別如何工作有了基本的理解，讓我們運用一些廣泛使用的Python庫來搭建自己的人臉識別算法。
案例學習
首先給定一些人物臉部的圖片——可能是一些名人，如Mark Zuckerberg, Warren Buffett, Bill Gates, Shah Rukh Khan等，並把這些人臉看作我們的語料庫。現在，我們給定一些其他名人的新圖片（“新人物”），並判斷這些“新人物”是否在語料庫中。
如圖所示，我們所列舉的名人有Barack Obama, Bill Gates, Jeff Bezos, Mark Zuckerberg, Ray Dalio 和Shah Rukh Khan。
現在，假定“新人物”如下：
注：以上所有圖片均來自Google圖片。
顯而易見，這是Shah Rukh Khan。然而對電腦來說，這個任務很有挑戰性。因為對於我們來說，我們可以輕易地將圖片的多種特徵結合來判斷這是哪個人物。然而對電腦而言，學習如何識別人臉是非常不直觀的。
有一個神奇但是簡單的python庫封裝了以上提及的內容——可以根據臉部特徵生成特徵向量並且知道如何區分不同的臉。這個python庫叫做face_recognition。它應用了dlib——一個現代C++工具包，其中包含了一些機器學習算法來幫助完成複雜的基於C++的應用。
Python中的face_recognition庫可以完成大量的任務：
- 發現給定圖片中所有的臉。
- 發現並處理圖片中的臉部特徵。
- 識別圖片中的臉。
- 實時的人臉識別。
接下來，我們將探討其中的第三種任務——識別圖片中的臉。
你可以在github的如下鏈接中獲取face_recognition庫的源代碼。
附鏈接：https://github.com/ageitgey/face_recognition
事實上，這裡有一些如何安裝face_recognition庫的指導。
附鏈接：https://github.com/ageitgey/face_recognition#installation-options
在你安裝face_recognition之前，還需要安裝dlib包。你可以從如下鏈接中找到安裝dlib的指導。
附鏈接：https://gist.github.com/ageitgey/629d75c1baac34dfa5ca2a1928a7aeaf
Python應用
這部分包括使用face_recognition庫搭建簡單人臉識別系統的代碼。這是一個應用操作的部分，我們將在下一部分解讀代碼來理解更多細節。
# import the librariesimport osimport face_recognition # make a list of all the available imagesimages = os.listdir('images') # load your imageimage_to_be_matched = face_recognition.load_image_file('my_image.jpg')文件結構如下:
facialrecognition:
- fr.py
- my_image.jpg
- images/
- barack_obama.jpg
- bill_gates.jpg
- jeff_bezos.jpg
- mark_zuckerberg.jpg
- ray_dalio.jpg
- shah_rukh_khan.jpg
- warren_buffett.jpg
我們的根目錄，facialrecognition包括：
- fr.py的形式的人臉識別代碼。
- my_image.jpg – 即將被識別的圖片(“新人物”)。
- images/ – 語料庫。
如果你按照前文創建文件結構並執行代碼，如下是你能得到的結果：
Matched: shah_rukh_khan.jpgNot matched: warren_buffett.jpgNot matched: barack_obama.jpgNot matched: ray_dalio.jpgNot matched: bill_gates.jpgNot matched: jeff_bezos.jpgNot matched: mark_zuckerberg.jpg顯而易見，新名人是Shah Rukh Khan 並且我們的人臉識別系統可以識別!
理解Python代碼
現在讓我們解讀代碼來，並理解其工作原理：
# import the librariesimport osimport face_recognition以上是引入操作。我們將通過已經建好的os庫來讀入語料庫中的所有圖片，並且通過face_recognition來完成算法部分。
# make a list of all the available imagesimages = os.listdir('images')這個簡單的代碼將幫助我們識別語料庫中所有圖片的路徑。一旦執行這些代碼，我們可以得到：
images = ['shah_rukh_khan.jpg', 'warren_buffett.jpg', 'barack_obama.jpg', 'ray_dalio.jpg', 'bill_gates.jpg', 'jeff_bezos.jpg', 'mark_zuckerberg.jpg']為了保證算法可以解析圖片，我們將人物臉部圖片轉化為特徵向量：
# encoded the loaded image into a feature vector image_to_be_matched_encoded = face_recognition.face_encodings( image_to_be_matched)[0]剩餘的代碼相對簡單：
# iterate over each imagefor image in images: # load the image current_image = face_recognition.load_image_file("images/" + image) # encode the loaded image into a feature vector current_image_encoded = face_recognition.face_encodings(current_image)[0] # match your image with the image and check if it matches result = face_recognition.compare_faces( [image_to_be_matched_encoded], current_image_encoded) # check if it was a match if result[0] == True: print "Matched: " + image else: print "Not matched: " + image此時，我們：
- 對每個圖像進行循環操作。
- 將圖像解析為特徵向量。
- 比較語料庫中已經加載的圖片和被識別的新人物圖片。
- 如果兩者匹配，我們就顯示出來。如果不匹配，我們也要顯示結果。
如上所示，結果顯示這個簡單的人臉識別算法進行得很順利。讓我們嘗試將my_image替換為另一個圖片：
當你再次運行這個算法，將會看到如下結果：
Not matched: shah_rukh_khan.jpgNot matched: warren_buffett.jpgNot matched: barack_obama.jpgNot matched: ray_dalio.jpgNot matched: bill_gates.jpgNot matched: jeff_bezos.jpgNot matched: mark_zuckerberg.jpg很明顯，系統沒有將馬雲識別為以上的任何一個名人。這意味著我們的算法在以下方面都表現得很好：
- 正確地識別那些在語料庫中存儲的人。
- 對語料庫中不存在的人物進行標註。
人臉識別算法的應用
人臉識別是一個成熟的研究方向，已被廣泛地應用在工業界和學術界。例如，一個罪犯在中國被捕可能就得益於人臉識別系統：系統識別了他的臉併發出警報。由此可見，面部識別可以用來減少犯罪。還有許多其他有趣的人臉識別案例:
- 面部身份驗證：Apple在iPhones中引入了Face ID以用於面部身份驗證。一些銀行也嘗試使用面部身份驗證來解鎖。
- 用戶服務：馬來西亞的一些銀行安裝了新的人臉識別系統，用於識別有價值的銀行客戶，以便銀行為其提供個人服務。進而銀行可以通過維持這類用戶並提升用戶滿意度來獲取更多收益。
- 保險行業：很多保險公司正在通過運用人臉識別系統來匹配人的臉和ID提供的照片，使賠付過程變得更簡單。
尾記
綜上所述，人臉識別是一個有趣的問題並且有很多強大的案例。這些應用可以有效地從各個方面為社會服務。儘管將這些技術商業化可能會帶來倫理風險，但我們會把這個問題留到下次討論。
希望你能從本文中有所收穫。
原文標題：
Simple Introduction to Facial Recognition (with Python codes)
原文鏈接：
https://www.analyticsvidhya.com/blog/2018/08/a-simple-introduction-to-facial-recognition-with-python-codes/
譯者簡介
王雨桐，統計學在讀，數據科學碩士預備，跑步不停，彈琴不止。夢想把數據可視化當作藝術，目前日常是摸著下巴看機器學習。
— 完 —
關注清華-青島數據科學研究院官方微信公眾平臺“THU數據派”及姊妹號“數據派THU”獲取更多講座福利及優質內容。
閱讀更多 THU數據派 的文章
