近几年来，兴起了一股人工智能热潮，让人们见到了AI的能力和强大，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，不仅要学会使用框架实现，更重要的是，需要有一定的数学基础，如线性代数，矩阵，微积分等。
幸庆的是，国内外许多大神都已经给我们造好“轮子”，我们可以直接来使用某些模型。今天就和大家交流下如何实现一个简易版的人脸对比，非常有趣！
整体思路：
1、预先导入所需要的人脸识别模型；
2、遍历循环识别文件夹里面的图片，让模型“记住”人物的样子；
3、输入一张新的图像，与前一步文件夹里面的图片比对，返回最接近的结果。
使用到的第三方模块和模型：
1、模块：os,dlib,glob,numpy；
2、模型：人脸关键点检测器，人脸识别模型。
第一步：导入需要的模型。
这里解释一下两个dat文件：
它们的本质是参数值（即神经网络的权重）。人脸识别算是深度学习的一个应用，事先需要经过大量的人脸图像来训练。所以一开始我们需要去设计一个神经网络结构，来“记住”人类的脸。
对于神经网络来说，即便是同样的结构，不同的参数也会导致识别的东西不一样。在这里，这两个参数文件就对应了不同的功能（它们对应的神经网络结构也不同）：
shape_predictor.dat这个是为了检测人脸的关键点，比如眼睛，嘴巴等等；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，其实就是相当于，调用了某个神经网络结构，再把预先训练好的参数传给我们调用的神经网络。顺便提一下，在深度学习领域中，往往动不动会训练出一个上百M的参数模型出来，是很正常的事。
import os,dlib,glob,numpy
from skimage import io
# 人脸关键点检测器
predictor_path = "shape_predictor.dat"
# 人脸识别模型、提取特征值
face_rec_model_path = "dlib_face_recognition.dat"
# 训练图像文件夹
faces_folder_path =‘train_images‘
# 加载模型
detector = dlib.get_frontal_face_detector()
sp = dlib.shape_predictor(predictor_path)
facerec = dlib.face_recognition_model_v1(face_rec_model_path)
第二步：对训练集进行识别。
在这一步中，我们要完成的是，对图片文件夹里面的人物图像，计算他们的人脸特征，并放到一个列表里面，为了后面可以和新的图像进行一个距离计算。关键地方会加上注释，应该不难理解。
candidate = [] # 存放训练集人物名字
descriptors = [] #存放训练集人物特征列表
for f in glob.glob(os.path.join(faces_folder_path,"*.jpg")):
print("正在处理: {}".format(f))
img = io.imread(f)
candidate.append(f.split(‘\\‘)[-1].split(‘.‘)[0])
# 人脸检测
dets = detector(img, 1)
for k, d in enumerate(dets):
shape = sp(img, d)
# 提取特征
face_descriptor = facerec.compute_face_descriptor(img, shape)
v = numpy.array(face_descriptor)
descriptors.append(v)
print(‘识别训练完毕！‘)
当你做完这一步之后，输出列表descriptors看一下，可以看到类似这样的数组，每一个数组代表的就是每一张图片的特征量（128维）。然后我们可以使用L2范式（欧式距离），来计算两者间的距离。
举个例子，比如经过计算后，A的特征值是[x1,x2,x3],B的特征值是[y1,y2,y3], C的特征值是[z1,z2,z3]。
那么由于A和B更接近，所以会认为A和B更像。想象一下极端情况，如果是同一个人的两张不同照片，那么它们的特征值是不是应该会几乎接近呢？知道了这一点，就可以继续往下走了。
第三步：处理待对比的图片。
其实是同样的道理，如法炮制，目的就是算出一个特征值出来，所以和第二步差不多。然后再顺便计算出新图片和第二步中每一张图片的距离，再合成一个字典类型，排个序，选出最小值，搞定收工！
try:
## test_path=input(‘请输入要检测的图片的路径（记得加后缀哦）:‘)
img = io.imread(r".\test_images\test6.jpg")
dets = detector(img, 1)
except:
print(‘输入路径有误，请检查！‘)
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)
for i in descriptors: #计算距离
dist_ = numpy.linalg.norm(i-d_test)
dist.append(dist_)
# 训练集人物和距离组成一个字典
c_d = dict(zip(candidate,dist))
cd_sorted = sorted(c_d.items(), key=lambda d:d[1])
print ("识别到的人物最有可能是: ",cd_sorted[0][0])
这里我用了一张“断水流大师兄”林国斌的照片，识别的结果是，果然，是最接近黎明了（嘻嘻，我爱黎明）。但如果你事先在训练图像集里面有放入林国斌的照片，那么出来的结果就是林国斌了。
为什么是黎明呢？我们看一下输入图片里的人物最后与每个明星的距离，输出打印一下：
{‘刘亦菲‘: 0.5269014581137407,
‘刘诗诗‘: 0.4779630331578229,
‘唐艺昕‘: 0.45967444611419184,
‘杨幂‘: 0.4753850256188804,
‘迪丽热巴‘: 0.5730399094704894,
‘郑秀妍‘: 0.40740137304879187,
‘郑秀晶‘: 0.45325515192940385,
‘郭富城‘: 0.7624925709626963,
‘黎明‘: 0.5925473299225084}
没错，他和黎明的距离是最小的，所以和他也最像了！
源码及模型下载：https://download.csdn.net/download/m0_38106923/10772957
原文链接：https://blog.csdn.net/m0_38106923/article/details/83862334
原文地址：https://www.cnblogs.com/Ph-one/p/12033791.html