闖紅燈這件事情，一直是交通問題的一大頭疼病。自從交通法對機動車闖紅燈進行扣 6 分的舉措后，很多司機朋友們紛紛表示不敢怠慢了。機動車好了，可是非機動車和行人闖紅燈的病咋治?當中國式過馬路已經深入人心的時候，這不，黑科技來了，乍一看還真的很像警方在搜捕嫌疑人。

近期山東、江蘇、深圳等一些城市開始在交通路口上啟用了人臉識別系統，針對行人和非機動車闖紅燈等違規行為進行抓拍，并現場進行曝光。而對于行人和非機動車闖紅燈的行為，交管部門將會給予 20 元到 50 元的罰款。

雖然罰款錢數不多，但是最讓大家忌憚的就是，你不文明行為的視頻和你的個人信息，都會在大屏幕上全天輪次播放。交警叔叔說了，被拍的市民紛紛表示下次再也不敢闖紅燈了。

人臉抓拍系統的工作原理是：當紅燈亮起后，如有行人和非機動車越過停止線，系統會自動抓拍四張照片，保留 15 秒視頻并截取違法者頭像，即便在晚上也能清晰成像。除了現場回放，交管部門還將連接的戶籍信息進行曝光。

人臉識別技術到底是怎樣實現的呢?

很多人都認為人臉識別是一項非常難以實現的工作，看到名字就害怕，然后心懷忐忑到網上一搜，看到網上 N 頁的教程立馬就放棄了。

這些人里包括曾經的我自己。其實如果如果你不是非要深究其中的原理，只是要實現這一工作的話，人臉識別也沒那么難。

今天我們就來看看如何在 40 行代碼以內簡單地實現人臉識別。

一點區分

對于大部分人來說，區分人臉檢測和人臉識別完全不是問題。但是網上有很多教程有意無意地把人臉檢測說成是人臉識別，誤導群眾，造成一些人認為二者是相同的。

其實，人臉檢測解決的問題是確定一張圖上有木有人臉，而人臉識別解決的問題是這個臉是誰的。可以說人臉檢測是是人識別的前期工作。

今天我們要做的是人臉識別。

所用工具

Anaconda 2 —— Python 2

Dlib

scikit-image

Dlib

對于今天要用到的主要工具，還是有必要多說幾句的。Dlib 是基于現代 C++ 的一個跨平臺通用的框架，作者非常勤奮，一直在保持更新。

Dlib 內容涵蓋機器學習、圖像處理、數值算法、數據壓縮等等，涉獵甚廣。更重要的是，Dlib 的文檔非常完善，例子非常豐富。就像很多庫一樣，Dlib 也提供了 Python 的接口，安裝非常簡單，用 pip 只需要一句即可：

pipinstalldlib

上面需要用到的 scikit-image 同樣只是需要這么一句：

pipinstallscikit-image

注：如果用 pip install dlib 安裝失敗的話，那安裝起來就比較麻煩了。錯誤提示很詳細，按照錯誤提示一步步走就行了。

人臉識別

之所以用 Dlib 來實現人臉識別，是因為它已經替我們做好了絕大部分的工作，我們只需要去調用就行了。Dlib 里面有人臉檢測器，有訓練好的人臉關鍵點檢測器，也有訓練好的人臉識別模型。

今天我們主要目的是實現，而不是深究原理。例子既然代碼不超過 40 行，其實是沒啥難度的。

首先先通過文件樹看一下今天需要用到的代碼：

準備了六個候選人的圖片放在 candidate-faces 文件夾中，然后需要識別的人臉圖片 test.jpg 。我們的工作就是要檢測到 test.jpg 中的人臉，然后判斷她到底是候選人中的誰。

另外的 girl-face-rec.py 是我們的 python 腳本。

shape_predictor_68_face_landmarks.dat 是已經訓練好的人臉關鍵點檢測器。

dlib_face_recognition_resnet_model_v1.dat 是訓練好的 ResNet 人臉識別模型。

ResNet 是何凱明在微軟的時候提出的深度殘差網絡，獲得了 ImageNet 2015 冠軍，通過讓網絡對殘差進行學習，在深度和精度上做到了比 CNN 更加強大。

前期準備

shape_predictor_68_face_landmarks.dat dlib_face_recognition_resnet_model_v1.dat 都可以在這里找到。

不能點擊超鏈接的可以直接輸入以下網址：http://dlib.net/files/。

然后準備幾個人的人臉圖片作為候選人臉，最好是正臉。放到 candidate-faces 文件夾中。

本文這里準備的是六張圖片，如下：

她們分別是：

然后準備四張需要識別的人臉圖像，其實一張就夠了，這里只是要看看不同的情況：

可以看到前兩張和候選文件中的本人看起來還是差別不小的，第三張是候選人中的原圖，第四張圖片微微側臉，而且右側有陰影。

識別流程

數據準備完畢，接下來就是代碼了。識別的大致流程是這樣的：

先對候選人進行人臉檢測、關鍵點提取、描述子生成后，把候選人描述子保存起來。

然后對測試人臉進行人臉檢測、關鍵點提取、描述子生成。

最后求測試圖像人臉描述子和候選人臉描述子之間的歐氏距離，距離最小者判定為同一個人。

代碼

代碼不做過多解釋，因為已經注釋的非常完善了。以下是 girl-face-rec.py：

#-*-coding:UTF-8-*-

importsys,os,dlib,glob,numpy

fromskimageimportio

iflen(sys.argv)!=5:

print"請檢查參數是否正確"

exit()

#1.人臉關鍵點檢測器

predictor_path=sys.argv[1]

#2.人臉識別模型

face_rec_model_path=sys.argv[2]

#3.候選人臉文件夾

faces_folder_path=sys.argv[3]

#4.需識別的人臉

img_path=sys.argv[4]

#1.加載正臉檢測器

detector=dlib.get_frontal_face_detector()

#2.加載人臉關鍵點檢測器

sp=dlib.shape_predictor(predictor_path)

#3.加載人臉識別模型

facerec=dlib.face_recognition_model_v1(face_rec_model_path)

#win=dlib.image_window()

#候選人臉描述子list

descriptors=[]

#對文件夾下的每一個人臉進行:

#1.人臉檢測

#2.關鍵點檢測

#3.描述子提取

forfinglob.glob(os.path.join(faces_folder_path,"*.jpg")):

print("Processingfile:{}".format(f))

img=io.imread(f)

#win.clear_overlay()

#win.set_image(img)

#1.人臉檢測

dets=detector(img,1)

print("Numberoffacesdetected:{}".format(len(dets)))

fork,dinenumerate(dets):

#2.關鍵點檢測

shape=sp(img,d)

#畫出人臉區域和和關鍵點

#win.clear_overlay()

#win.add_overlay(d)

#win.add_overlay(shape)

#3.描述子提取，128D向量

face_descriptor=facerec.compute_face_descriptor(img,shape)

#轉換為numpyarray

v=numpy.array(face_descriptor)

descriptors.append(v)

#對需識別人臉進行同樣處理

#提取描述子，不再注釋

img=io.imread(img_path)

dets=detector(img,1)

dist=[]

fork,dinenumerate(dets):

shape=sp(img,d)

face_descriptor=facerec.compute_face_descriptor(img,shape)

d_test=numpy.array(face_descriptor)

#計算歐式距離

foriindescriptors:

dist_=numpy.linalg.norm(i-d_test)

dist.append(dist_)

#候選人名單

candidate=['Unknown1','Unknown2','Shishi','Unknown4','Bingbing','Feifei']

#候選人和距離組成一個dict

c_d=dict(zip(candidate,dist))

cd_sorted=sorted(c_d.iteritems(),key=lambdad:d[1])

print" Thepersonis:",cd_sorted[0][0]

dlib.hit_enter_to_continue()

運行結果

我們在 .py 所在的文件夾下打開命令行。運行如下命令：

python girl-face-rec.py 1.dat 2.dat ./candidate-faecs test1.jpg

由于shape_predictor_68_face_landmarks.dat 和 dlib_face_recognition_resnet_model_v1.dat 名字實在太長，所以我把它們重命名為 1.dat 和 2.dat 。

運行結果如下：

The person is Bingbing。

記憶力不好的同學可以翻上去看看 test1.jpg 是誰的圖片。有興趣的話可以把四張測試圖片都運行下試試。

這里需要說明的是，前三張圖輸出結果都是非常理想的。但是第四張測試圖片的輸出結果是候選人 4。對比一下兩張圖片可以很容易發現混淆的原因。

機器畢竟不是人，機器的智能還需要人來提升。

有興趣的朋友可以繼續深入研究如何提升識別的準確率。比如每個人的候選圖片用多張，然后對比和每個人距離的平均值之類的，全憑自己了。