如何用最快的速度學會Dlib人臉識別開發？

作者 | 小宋是呢

來源 | 轉載自小小挖掘機（ID: wAIsjwj）

項目GitHub地址：https://github.com/xiaosongshine/dlib_face_recognition

1.背景介紹

Dlib是一個深度學習開源工具，基於C 開發，也支持Python開發介面，功能類似於TensorFlow與PyTorch。但是由於Dlib對於人臉特徵提取支持很好，有很多訓練好的人臉特徵提取模型供開發者使用，所以Dlib人臉識別開發很適合做人臉項目開發。

上面所說的人臉識別開發，主要是指人臉驗證，就是輸入兩張人臉照片，系統會對比輸出0或者1，代表判斷是否是同一個人。一般的人臉識別開發可以簡單分為1.人臉特徵建模與2.使用人臉特徵模型進行驗證（其實還應包括人臉對齊等,這些也可以劃分到1中）。使用Dlib進行開發時，我們直接可以使用訓練好的人臉特徵提取模型，主要的工作就變成了如何進行人臉的驗證。

人臉的驗證其實就是計算相似度，同一個人的相似度就會大，不同的人就會比較小。可以採用餘弦相似度或者歐式距離來計算相似度。其中餘弦相似度就是計算角度，歐式距離就是指平方差。都可以用來表示兩個特徵的相似度（距離）。

2.環境搭建

安裝可以參考我的這篇博客：[深度學習工具]·極簡安裝Dlib人臉識別庫，下面說一下需要注意的點:：

此博文針對Windows10安裝，其他平台可以仿照這個步驟來安裝

安裝Miniconda

使用conda指令來安裝Dlib庫，使用Miniconda與Anaconda都可以，我習慣用Miniconda，簡單佔用內存小。

推薦使用清華源，下載安裝，選擇合適的平台版本。python==3.6

安裝dlib

注意一定要以管理員身份進入CMD，執行（如果是Linux Mac 就使用 sudo）

需要imageio 庫，可以使用下述命令安裝

3.開發實戰

1.實現人臉檢測標記

代碼很簡單，通過imread讀取照片，然後進行檢測，輸出結果為dets的list，有幾張人臉就會有幾個item， 每個item都有.left(), .top(), .right(), .bottom()四個元素，代表人臉框的四個邊界位置。最後通過win.add_overlay(dets)可以將標記的框顯示在原圖上。

原始照片

輸出照片

其實我們就可以使用這個功能做一個簡單的應用，用來檢測圖片或者視頻中人臉的個數。

2.人臉特徵點提取

在實戰1的基礎上添加人臉特徵提取功能。

這段代碼就是在test.py基礎上加入了shape_predictor功能，使之可以在檢測出人臉基礎上，找到人臉的68個特徵點。反映在圖中就是藍色的線。

原始圖片

輸出圖片

注意運行這段代碼需要這個文件predictor_path = "shape_predictor_68_face_landmarks.dat"，我會放在我的github中，方便大家下載使用。

3.人臉識別驗證

在第二步的基礎上，我們再進一步，實現將人臉提取為特徵向量，從而我們就可以對特徵向量進行比對來實現人臉的驗證，這裡採用的是對比歐式距離的方法。

輸出結果

我們可以看出，每張人臉都被提取為了128維的向量，我們可以理解為128維的坐標（xyz是三維，128維就是有128個軸組成），我們下面需要做的就是計算兩個特徵的距離，設定好合適的閾值，小於這個閾值則識別為同一個人。代碼正確運行需要這個文件face_rec_model_path = "dlib_face_recognition_resnet_model_v1.dat"，我已經放在自己的github（https://github.com/xiaosongshine/dlib_face_recognition）中，方便大家使用。

我們從上面測試的結果可以看出，不同的距離為0.25，同一個人為0.06，閾值就可以先設置為其間的一個值。我這裡先設置為0.09，這個閾值也是需要大量數據來計算的，選擇的準則為使錯誤識別為最低。

下面我們把閾值設置為0.09，來測試系統能否區分出不同的人：在face_recognition.py加入下面代碼

輸出結果

從上面可以看出，已基本滿足對人臉區分的功能，如果如要實用化則需要繼續調優閾值與代碼，調優的準則就是選擇合適的閾值使錯誤識別為最低。

Hope this helps

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！