干货 | 人脸识别的简要介绍（附实例、Python代码）

作者：Guest Blog

翻译：王雨桐

校对：蒋雨畅

本文约2500字，建议阅读10分钟。

本文将介绍人脸识别的基本思路和对代码进行简要分析。

介绍

你是否意识到，每当你上传照片到Facebook上，平台都会用人脸识别算法来识别图片中的人物？目前还有一些政府在用人脸识别技术来识别和抓捕罪犯。此外，最常见的应用就是通过自己的脸部解锁手机。

 

计算机视觉的子领域应用得非常广泛，并且全球很多商业活动都已经从中获益。人脸识别模型的使用在接下来的几年内还会继续增长，所以一起来了解如何从零开始构建人脸识别模型吧！

本文首先会介绍人脸识别模型的内部工作原理。随后结合一个简单的案例，我们将通过Python进行案例实践。在本文的最后部分，你将完成你的第一个人脸识别模型！

目录

 

• 理解人脸识别的工作原理

• 案例学习

• Python应用

• 理解Python代码

• 人脸识别算法的应用

 

理解人脸识别的工作原理

 

为了理解人脸识别算法工作原理，我们首先来了解一下特征向量的概念。（译者注：此处的特征向量指机器学习的概念，不同于矩阵理论。）

 

每个机器学习算法都会将数据集作为输入，并从中学习经验。算法会遍历数据并识别数据中的模式。例如，假定我们希望识别指定图片中人物的脸，很多物体是可以看作模式的：

• 脸部的长度/宽度。

• 由于图片比例会被调整，长度和高度可能并不可靠。然而，在放缩图片后，比例是保持不变的——脸部长度和宽度的比例不会改变。

• 脸部肤色。

• 脸上局部细节的宽度，如嘴，鼻子等。

 

显而易见，此时存在一个模式——不同的脸有不同的维度，相似的脸有相似的维度。有挑战性的是需要将特定的脸转为数字，因为机器学习算法只能理解数字。表示一张脸的数字（或训练集中的一个元素）可以称为特征向量。一个特征向量包括特定顺序的各种数字。

 

举一个简单的例子，我们可以将一张脸映射到一个特征向量上。特征向量由不同的特征组成，如：

• 脸的长度（cm）

• 脸的宽度（cm）

• 脸的平均肤色（R，G，B）

• 唇部宽度（cm）

• 鼻子长度（cm）

 

当给定一个图片时，我们可以标注不同的特征并将其转化为如下的特征向量：

 

如此一来，我们的图片现在被转化为一个向量，可以表示为(23.1,15.8,255,224,189,5.2,4.4)。当然我们还可以从图片中衍生出无数的其他特征（如，头发颜色，胡须，眼镜等）。然而在这个简单的例子中，我们只考虑这五个简单的特征。 

现在，一旦我们将每个图片解码为特征向量，问题就变得更简单。明显地，当我们使用同一个人的两张面部图片时，提取的特征向量会非常相似。换言之，两个特征向量的“距离”就变得非常小。

此时机器学习可以帮我们完成两件事：

• 提取特征向量。由于特征过多，手动列出所有特征是非常困难的。一个机器学习算法可以自动标注很多特征。例如，一个复杂的特征可能是：鼻子长度和前额宽度的比例。手动列出所有的这些衍生特征是非常困难的。

• 匹配算法：一旦得到特征向量，机器学习算法需要将新图片和语料库中的特征向量进行匹配。

既然我们对人脸识别如何工作有了基本的理解，让我们运用一些广泛使用的Python库来搭建自己的人脸识别算法。

案例学习

首先给定一些人物脸部的图片——可能是一些名人，如Mark Zuckerberg, Warren Buffett, Bill Gates, Shah Rukh Khan等，并把这些人脸看作我们的语料库。现在，我们给定一些其他名人的新图片（“新人物”），并判断这些“新人物”是否在语料库中。

 

以下是语料库中的图片：

如图所示，我们所列举的名人有Barack Obama, Bill Gates, Jeff Bezos, Mark Zuckerberg, Ray Dalio 和Shah Rukh Khan。

 

现在，假定“新人物”如下：

注：以上所有图片均来自Google图片。

 

显而易见，这是Shah Rukh Khan。然而对电脑来说，这个任务很有挑战性。因为对于我们来说，我们可以轻易地将图片的多种特征结合来判断这是哪个人物。然而对电脑而言，学习如何识别人脸是非常不直观的。

 

有一个神奇但是简单的python库封装了以上提及的内容——可以根据脸部特征生成特征向量并且知道如何区分不同的脸。这个python库叫做face_recognition。它应用了dlib——一个现代C++工具包，其中包含了一些机器学习算法来帮助完成复杂的基于C++的应用。

 

Python中的face_recognition库可以完成大量的任务：

• 发现给定图片中所有的脸。

• 发现并处理图片中的脸部特征。

• 识别图片中的脸。

• 实时的人脸识别。

接下来，我们将探讨其中的第三种任务——识别图片中的脸。

 

你可以在github的如下链接中获取face_recognition库的源代码。

附链接：

https://github.com/ageitgey/face_recognition

 

事实上，这里有一些如何安装face_recognition库的指导。

附链接：

https://github.com/ageitgey/face_recognition#installation-options

 

在你安装face_recognition之前，还需要安装dlib包。你可以从如下链接中找到安装dlib的指导。

附链接：

https://gist.github.com/ageitgey/629d75c1baac34dfa5ca2a1928a7aeaf 

 

Python应用

 

这部分包括使用face_recognition库搭建简单人脸识别系统的代码。这是一个应用操作的部分，我们将在下一部分解读代码来理解更多细节。

# import the libraries

import os

import face_recognition

 

# make a list of all the available images

images = os.listdir('images')

 

# load your image

image_to_be_matched = face_recognition.load_image_file('my_image.jpg')

# encoded the loaded image into a feature vector

image_to_be_matched_encoded = face_recognition.face_encodings(

    image_to_be_matched)[0]

 

# iterate over each image

for 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

文件结构如下:

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

我们的根目录，facialrecognition包括：

• fr.py的形式的人脸识别代码。

• my_image.jpg – 即将被识别的图片(“新人物”)。

• images/ – 语料库。

如果你按照前文创建文件结构并执行代码，如下是你能得到的结果：

Matched: shah_rukh_khan.jpg

Not matched: warren_buffett.jpg

Not matched: barack_obama.jpg

Not matched: ray_dalio.jpg

Not matched: bill_gates.jpg

Not matched: jeff_bezos.jpg

Not matched: mark_zuckerberg.jpg

显而易见，新名人是Shah Rukh Khan 并且我们的人脸识别系统可以识别!

理解Python代码

现在让我们解读代码来，并理解其工作原理：

# import the libraries

import os

import face_recognition

以上是引入操作。我们将通过已经建好的os库来读入语料库中的所有图片，并且通过face_recognition来完成算法部分。

# make a list of all the available images

images = os.listdir('images')

这个简单的代码将帮助我们识别语料库中所有图片的路径。一旦执行这些代码，我们可以得到：

images = ['shah_rukh_khan.jpg', 'warren_buffett.jpg', 'barack_obama.jpg', 'ray_dalio.jpg', 'bill_gates.jpg', 'jeff_bezos.jpg', 'mark_zuckerberg.jpg']

现在，以下代码将加载新人物的图片：

# load your image

image_to_be_matched = face_recognition.load_image_file('my_image.jpg')

为了保证算法可以解析图片，我们将人物脸部图片转化为特征向量：

# encoded the loaded image into a feature vector

 

image_to_be_matched_encoded = face_recognition.face_encodings(

 

    image_to_be_matched)[0]

剩余的代码相对简单：

# iterate over each image

for 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

此时，我们：

• 对每个图像进行循环操作。

• 将图像解析为特征向量。

• 比较语料库中已经加载的图片和被识别的新人物图片。

• 如果两者匹配，我们就显示出来。如果不匹配，我们也要显示结果。

如上所示，结果显示这个简单的人脸识别算法进行得很顺利。让我们尝试将my_image替换为另一个图片：

当你再次运行这个算法，将会看到如下结果：

Not matched: shah_rukh_khan.jpg

Not matched: warren_buffett.jpg

Not matched: barack_obama.jpg

Not matched: ray_dalio.jpg

Not matched: bill_gates.jpg

Not matched: jeff_bezos.jpg

Not matched: mark_zuckerberg.jpg

很明显，系统没有将马云识别为以上的任何一个名人。这意味着我们的算法在以下方面都表现得很好：

• 正确地识别那些在语料库中存储的人。

• 对语料库中不存在的人物进行标注。

  
  

人脸识别算法的应用

 

人脸识别是一个成熟的研究方向，已被广泛地应用在工业界和学术界。例如，一个罪犯在中国被捕可能就得益于人脸识别系统：系统识别了他的脸并发出警报。由此可见，面部识别可以用来减少犯罪。还有许多其他有趣的人脸识别案例:

• 面部身份验证：Apple在iPhones中引入了Face ID以用于面部身份验证。一些银行也尝试使用面部身份验证来解锁。

• 用户服务：马来西亚的一些银行安装了新的人脸识别系统，用于识别有价值的银行客户，以便银行为其提供个人服务。进而银行可以通过维持这类用户并提升用户满意度来获取更多收益。

• 保险行业：很多保险公司正在通过运用人脸识别系统来匹配人的脸和ID提供的照片，使赔付过程变得更简单。

 

尾记

 

综上所述，人脸识别是一个有趣的问题并且有很多强大的案例。这些应用可以有效地从各个方面为社会服务。尽管将这些技术商业化可能会带来伦理风险，但我们会把这个问题留到下次讨论。

 

希望你能从本文中有所收获。

原文标题：

Simple Introduction to Facial Recognition (with Python codes)

原文链接：

https://www.analyticsvidhya.com/blog/2018/08/a-simple-introduction-to-facial-recognition-with-python-codes/

译者简介

王雨桐，统计学在读，数据科学硕士预备，跑步不停，弹琴不止。梦想把数据可视化当作艺术，目前日常是摸着下巴看机器学习。

翻译组招募信息

工作内容：需要一颗细致的心，将选取好的外文文章翻译成流畅的中文。如果你是数据科学/统计学/计算机类的留学生，或在海外从事相关工作，或对自己外语水平有信心的朋友欢迎加入翻译小组。

你能得到：定期的翻译培训提高志愿者的翻译水平，提高对于数据科学前沿的认知，海外的朋友可以和国内技术应用发展保持联系，THU数据派产学研的背景为志愿者带来好的发展机遇。

其他福利：来自于名企的数据科学工作者，北大清华以及海外等名校学生他们都将成为你在翻译小组的伙伴。

点击文末“阅读原文”加入数据派团队~

点击“阅读原文”拥抱组织