人脸识别的崛起
什么是人脸识别
人脸识别是将采集到的数据信息,根据人脸特征信息进行比对,从而辨识身份的技术。每逢谈到人脸识别技术，就会想到人工智能，近年来，人工智能的发展成为当代技术革命的一部分。可以说计算机领域技术的发展，极大的带动了这场革命。
常常在想人脸识别是如何做到，的这里面与复杂高级的数据建模，建立人脸各部分的数据模型密切相关。说白了，其实也就是算法，算法的研究，成为推动智能发展的顶梁柱。
这里面涉及的比较多，无论是从深度学习，还是机器学习，人工智能，这里面的实现过程，想必都是十分复杂的。
在下知识面比较薄弱，不敢多言。不过肯定的一点是，你的人脸识别首先要将人脸转化为计算机可以识别的数据，人脸识别其实就是计算机方面的数据识别。
人脸识别技术的应用和发展
谈到应用，我的第一映像就是手机上的人脸识别解锁，目前在学校公寓里面也有人脸识别的机器，我记得首先是收集了我们学生们的照片，应该是存入数据库的，我们学生的信息，包括学号，以及所在系等等，学校都是存入数据库的。学生在进入公寓时需要进行人脸识别，机器会进行识别。系统有两种识别方式，一是识别人像，二是进行刷卡，刷卡会将自己的信息读取，会与数据库的信息对比，也是一种识别的方式。
目前，从我国人脸识别技术应用来看，主要集中在三大领域：考勤门禁、安防以及金融等等。人脸识别目前面临着一个难题是，对于明亮可能有点要求，像黑暗的环境就比较困难，还有面部本身黑色的人也可能会有误差。但是技术革命的发展，也必将解决这一难题。只有你想不到的，没有做不到的。
应用前景：随着人工智能的兴起，更加高端的识别技术才是主流发展方向，无需接触、更加方便、直观的方式是未来方向，人脸识别具备无需被测者配合的特点，采集器扫过人脸就能进行对比，这在公安刑侦领域有着巨大的前景，在门禁安防领域，操作更加便捷的人脸识别也会更受欢迎。
python人脸识别
导入库
python是一门强大的计算机编程语言，我们常常要用到python中的库，今天我们用到的库是需要安装的，因为不是python的内置库。
1:opencv-python
2:face_recognition
我们这里主要介绍通过控制台命令导入库，不过这里可能与一般情况下的固定格式的导入有所区别。当然你可以借用Pycharm，以及直接去网站上安装相应的包。我比较喜欢控制台命令，因为感觉Pycharm导入某些库是比较慢的。
导入opencv，这和python的版本是有区别的，我的是python3.7版本的。在控制台导入时，我们可以这样导入，opencv是依赖numpy的，我们一般这样导入，首先我们导入cmake,,pip install cmake -i 镜像源。
目前国内的镜像源有如下：
阿里云 http://mirrors.aliyun.com/pypi/simple/
中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/
豆瓣(douban) http://pypi.douban.com/simple/
清华大学 https://pypi.tuna.tsinghua.edu.cn/simple/
中国科学技术大学 http://pypi.mirrors.ustc.edu.cn/simple/
华中理工大学 http://pypi.hustunique.com/simple/
山东理工大学 http://pypi.sdutlinux.org/simple/
我们再导入opencv-python,这样导入 pip install opencv-python -i 镜像源 -trusted-host
trusted-host是代表信任该镜像源，这里主要针对可能出现不信任的提示的情况。
同理，我们导入face_recognition时，我们这样在控制台这样写：pip install face_recognition -i 镜像源 -trusted-host
这里可能会出现内存占用很大的问题，不过等一会就好了
实现代码
此代码的目的是实现对图片中人脸的识别，并判断是否是同一张脸，是则返回yes,否则返回no,图片会显示出来，并显示划定人脸的位置框型。yes和no会在图片上方显示。
下面展示一些 内联代码片。
#import sys #python内置库 import cv2 #计算机视觉领域 import face_recognition #人脸识别库，如果读取图片的话，会是图像矩阵 #就是每个图片的rgb # 1.人脸数据 # 2.算法 # 3.建立模型 # 4.训练模型 # 5.测试模型 # 6.上线使用 # 1读取 face_image = face_recognition.load_image_file("E://1.jpg")#读取图片 # 2进行人脸特征提取 向量化 #128维的五官数据 face_encoding = face_recognition.face_encodings(face_image) # 3人脸位置 face_locations = face_recognition.face_locations(face_image) # 判断 n = len(face_encoding) #如果超过连个人就退出来 if n>2: print('超过两个人') sys.exit() face1 = face_encoding[0] face2 = face_encoding[1] # 4比较 阈值 tolerance指定容错率，越小越严格 result = face_recognition.compare_faces([face1],face2,tolerance=0.5) if result == [True] : print(1) name = 'Yes' else : print(0) name = 'No' #绘图 for i in range(len(face_encoding)): face_encoding = face_encoding[i] face_location = face_locations[i] top,right,bottom,left = face_location #画框 图像 位置 颜色 粗细 cv2.rectangle(face_image,(left,top),(right,bottom),(0,255,0),2) #写字 cv2.putText(face_image,name,(left,top),cv2.FONT_HERSHEY_SIMPLEX,0.8,(255,0,0,2)) face_image_rgb = cv2.cvtColor(face_image,cv2.COLOR_BGR2RGB) # 展示图像 cv2.imshow("output",face_image_rgb) #防止闪退 cv2.waitKey(0)
我随便找了一张图，给大家简单演示下这个过程
我们来看实现结果
我们看到结果是这两个人不是同一张脸，当然，这张图可能比较容易辨别。各位可以尝试难度比较大的。据说face_recognition库地识别率达到99.5%以上，这是保底了。
注意代码的指定容错率，这也是和结果很有关系的。
当然对于视频动态图像也是可以的，我们python中也有调用摄像头的模块，以及也有可以将手机的摄像头将摄像头转换地址的，我们可以在代码中加入进来，调用摄像头并控制拍照片，这样就可以和这个结合起来，实现动态人脸识别。我们可以有这个思路，这里只是给大家简单介绍一下python的这个人脸识别库。当然也会有其他的编程语言的实现人脸识别。
后期会写出动态拍照人脸识别。说到底，还是调用库啊，会写库和算法的才是大佬，只会用方法的我还是有很多需要去学习。
