「刷臉」的正確打開方式 你get了嗎？
導 言
特別的《Python 機器學習實戰》
《Python 機器學習實戰》一書讓人眼前一亮。封面設計以白色為底，上配以淺藍色網路圖案，給人一種簡練而不簡單、平淡而不平凡的文藝之感。從外到內，從表及里，作者從字裡行間呈現出一種理論結合實踐的真知灼見！
匯付天下有限公司董事長兼總裁周曄親自為此書作序：「現代支付就是技術嬗變的產物，由早期的資料庫和 OLTP 發端，到互聯網和移動技術，而當今最大的驅動力來自大數據、機器學習和雲計算……」
近幾年，人工智慧和機器學習很熱門，相信它終究會成為一個標準功能，應用在生活和工作的方方面面。同時，電腦編程技術也會繼續突飛猛進，從單機、終端大機模式、客戶端伺服器多層模式、API介面模式等一直到現在的微服務、無服務模式、公有雲，等等。
在這個飛速發展的世界中，或許有壓力，所以更需要學習的動力。市場上有很多Python從入門到高級的專著，本書的目的就是想從更加實際的角度，分享一些項目開發中總結的經驗，幫助使用Python進行機器學習開發的新手或者從其他語言轉過來的朋友，少踩一些坑。
本書的主要內容分為四大部分：
Python 開發程序的一些方法技巧，如虛擬環境管理、敏捷開發入門、單元測試等
Python 中的一些中級使用技巧，如列表生成式、多線程與多進程、Python 程序性能分析等
機器學習的基本概念和常用演算法介紹，以及如何選擇合適的演算法
一些使用Python 進行建模和機器學習的實際例子
下面介紹一下這本書的獨特之處：
特點一
這本書來自一線人員的傾情分享。他們從更加實際的角度，分享了項目開發中總結的經驗，包含了多維度「know-how」領域的知識技能。正可謂：「紙上得來終覺淺，絕知此事要躬行」。
特點二
這本書來自一個團隊的集體智慧。「技術獲得和提升的路徑，從來就不應該是團隊的閉門造車，也不靠高人的山間開悟，而應是業界熱情分享，相互切磋。越樂於分享，就越多被分享；越樂於切磋，也就越容易打磨進步。」
特點三
這本書來自一名作者的熱忱之心。裔雋，主修心理學，更在技術開發與項目管理、產品設計與用戶體驗、數據倉庫等方面擁有逾20年的豐富經驗。現任匯付天下旗下上海匯付數據服務有限公司產品與信息中心副總經理。他總是像大男孩一樣，對生活飽含熱情，對未知充滿好奇。他深諳矽谷管理風格，工作中幽默風趣，無論時世多麼艱難，有他在，總是歡聲笑語。他對很多領域的熱愛和專業超出常人的想像，因此同事們總會喜歡親切地稱呼他為「裔大師」。正是憑藉深厚的文化底蘊和精湛的創新能力，在面對這喧囂的世界時仍能保持一份清醒，一種淡然，一片痴情。
現呈現人臉識別案例，與大家共勉：
人臉識別技術
人臉識別技術作為生物特徵識別的一種手段，是指通過計算機提取人的面部特徵 ( 如統計或幾何特徵等)，根據這些特徵進行身份驗證的一種技術。
在基於大數據的機器學習演算法帶來的革命浪潮下，人臉識別技術憑藉其安全性、便捷性、非接觸性等優勢，在金融行業迅速走紅，應用場景包括遠程開戶、身份驗證、安防監控等。從2015年以來，騰訊、阿里巴巴、百度等巨頭都紛紛加入人臉識別產業，阿里巴巴的支付寶、淘咖啡、蘇寧的無人零售店、京東的京東之家，iPhone X 的Face ID 都使用了人臉識別作為支付手段，商業應用的大潮正在來臨。
當今的人臉識別系統雖然五花八門，但大致的系統框架基本都是由如下四個部分構成：
人臉預處理
人臉驗證識別
人臉檢測
人臉特徵提取
下面僅就人臉檢測步驟加以討論：
人臉檢測是人臉識別中的第一個環節，是指假設在輸入圖像中存在一個或者多個人臉區域的情況下，確定圖像中全部人臉的位置的過程。人臉檢測演算法基本可以分為兩類：基於知識的方法與基於統計的方法。本書採用的是基於統計的方法。
基於統計的方法：將人臉檢測當作一個「二分類問題」，即使用大量的人臉與非人臉樣本訓練，構造分類模型，通過判別圖像中所有可能區域屬於哪種類型來實現人臉的檢測，把人臉檢測問題轉化為統計模式識別問題。常用方法包括特徵空間法、HOG法、概率模型法、支持向量機法、Adaboost法、神經網路法等。
HOG ( 方向梯度直方圖 ) 的人臉檢測方法的核心思想是，在一幅圖像中，局部目標的表象和形狀能夠被梯度或邊緣的方向密度分布很好地描述，HOG即利用這一特性找到符合人臉特徵的部分。
這是經過HOG轉化的一張人臉圖片
使用Dlib庫來實現人臉檢測的功能。Dlib庫是一個跨平台的C++庫，支持C++和Python，包含了大量的圖形模型演算法和機器學習演算法。left、right、top、bottom即表示人臉方框區域距離圖像的左右、上下邊界的距離。將這塊區域框出來即是人臉的區域，效果如下圖。
這是用Dlib庫實現人臉檢測效果示意圖
總之，書中介紹了人臉識別系統的大致構建流程。首先，我們介紹了人臉識別中的一些基本概念，包括人臉驗證和人臉識別兩種任務類型，之後，我們講解了人臉識別系統的四個主要組成部分：人臉檢測、人臉預處理、人臉特徵提取和人臉驗證/識別。其中，人臉檢測是為了確定圖像中人臉以及人臉關鍵點的位置，在這個基礎上我們可以對人臉圖片進行幾何校正，從而使得一個人五官的位置總是出現在圖像中的差不多固定的區域，便於下一步的處理。除此之外，人臉預處理還包括去除圖像雜訊、模糊、光照、遮擋等不利於人臉識別的干擾因素。接下來，人臉特徵提取會將人臉圖像轉化為一個向量，然後根據向量的計算可以得到人臉相似度的衡量，根據相似度的大小，完成人臉驗證或人臉識別的任務。
不同人臉識別的演算法的主要區別就在於如何將圖片轉化為一個特徵向量。從2014年開始，深度學習成為了主流的人臉識別演算法，我們介紹了Google的FaceNet模型，該模型打破了傳統卷積神經網路模型通過Softmax層進行分類的局限性，提出了使用TripletLoss三元損失函數來進行神經網路的訓練，並將人臉映射為一個128維的特徵向量，通過計算在歐式空間中的距離便能得出圖片之間的相似度，取得了優異的效果。
新書來了
還想知道更多Python 的精彩知識點嗎？
不一樣的《Python 機器學習實戰》，期待慧眼識珠的您!
還等什麼？快快點擊二維碼訂購吧~
TAG:創新中國STI |