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ÿ