Open CV非常牛逼！众所周知！今天就来见识一下它究竟有多牛逼！
进群：125240963 即可获取数十套PDF哦！
▌理解深度学习面部识别嵌入
那么，基于深度学习的面部识别是怎样工作的呢？秘密就是一种叫做“深度度量学习”的技术。
如果你有深度学习的经验，你应该知道，通常情况下训练好的网络会接受一个输入图像，并且给输入的图像生成一个分类或标签。
图1：利用深度度量学习进行面部识别需要“三元组训练”。三元组包括三张不同的面部图像，其中两张属于同一个人。神经网络为每张面部图像生成一个128维向量。对于同一个人的两张面部图像，我们调整神经网络使得输出向量的距离度量尽可能接近。
强烈建议阅读以上文章，以深入了解深度学习面部嵌入的工作原理。
▌安装面部识别库
为了用Python和OpenCV吸纳面部识别，我们需要安装一些库：
$ workon # optional
$ pip install dlib
或者从源代码进行编译：
$ workon <your env name here> # optional
$ git clone https://github.com/davisking/dlib.git
$ cd dlib
$ mkdir build
$ cd build
$ cmake .. -DUSE_AVX_INSTRUCTIONS=1
$ cmake --build .
$ cd ..
$ python setup.py install --yes USE_AVX_INSTRUCTIONS
安装有GPU支持的dlib（可选）
如果你有兼容CUDA的GPU，那么可以安装有GPU支持的dlib，这样面部识别能更快、更精确。
我建议从源代码安装dlib，这样可以更精细地控制安装过程：
$ workon <your env name here> # optional
$ git clone https://github.com/davisking/dlib.git
$ cd dlib
$ mkdir build
$ cd build
$ cmake .. -DDLIB_USE_CUDA=1 -DUSE_AVX_INSTRUCTIONS=1
$ cmake --build .
$ cd ..
$ python setup.py install --yes USE_AVX_INSTRUCTIONS --yes DLIB_USE_CUDA
安装face_recognition包
face_recognition模块只需简单地使用pip命令即可安装：
$ workon <your env name here> # optional
$ pip install face_recognition
安装imutlis
我们还需要imutils包提供一些遍历的函数。在Python虚拟环境中使用pip即可：
$ workon <your env name here> # optional
$ pip install imutils
▌面部识别数据集
$ tree --filelimit 10 --dirsfirst
.
├── dataset
│ ├── alan_grant [22 entries]
│ ├── claire_dearing [53 entries]
│ ├── ellie_sattler [31 entries]
│ ├── ian_malcolm [41 entries]
│ ├── john_hammond [36 entries]
│ └── owen_grady [35 entries]
├── examples
│ ├── example_01.png
│ ├── example_02.png
│ └── example_03.png
├── output
│ └── lunch_scene_output.avi
├── videos
│ └── lunch_scene.mp4
├── search_bing_api.py
├── encode_faces.py
├── recognize_faces_image.py
├── recognize_faces_video.py
├── recognize_faces_video_file.py
└── encodings.pickle
10 directories, 11 files
▌用OpenCV和深度学习对面部进行编码
图3：利用深度学习和Python进行面部识别。对每一个面部图像，用face_recognition模块的方法生成一个128维实数特征向量。
在识别图像和视频中的面部之前，我们首先需要在训练集中识别面部。要注意的是，我们并不是在训练网络——该网络已经在300万图像的训练集上训练过了。
首先需要导入必需的包。这个脚本需要事先安装imutils、face_recognition和OpenCV。请翻到前面“安装面部识别库”一节确保你已经安装了必须的库。
首先用argparse处理运行时传递的命令行参数：
行3用输入数据集的路径，建立了一个列表imagePaths。
我们还需要在循环开始之前初始化两个列表，分别是knownEncodings和knownNames。这两个列表分别包含面部编码数据和数据集中相应人物的名字（行6和行7）。
现在可以依次循环侏罗纪公园中的每个角色了！
接下来定位面部位置并计算编码：
1 # detect the (x, y)-coordinates of the bounding boxes
2 # corresponding to each face in the input image
3 boxes = face_recognition.face_locations(rgb,
4 model=args["detection_method"])
5
6 # compute the facial embedding for the face
7 encodings = face_recognition.face_encodings(rgb, boxes)
8
9 # loop over the encodings
10 for encoding in encodings:
11 # add each encoding + name to our set of known names and
12 # encodings
13 knownEncodings.append(encoding)
14 knownNames.append(name)
这段代码是最有意思的部分！
每次循环都会检测一个面部图像（或者一张图像中有多个面部，我们假设这些面部都属于同一个人，但如果你使用自己的图像的话，这个假设有可能不成立，所以一定要注意）。
比如，假设rgb里的图像是Ellie Sattler的脸。
行3和4查找面部位置，返回一个包含了许多方框的列表。我们给face_recognition.face_locations方法传递了两个参数：
行3构建了一个字典，它包含encodings和names两个键。
行4-6将名字和编码保存到硬盘中，供以后使用。
怎样才能在终端上运行encode_faces.py脚本？
要创建面部嵌入，可以从终端执行以下命令：
1$ python encode_faces.py --dataset dataset --encodings encodings.pickle
2[INFO] quantifying faces...
3[INFO] processing image 1/218
4[INFO] processing image 2/218
5[INFO] processing image 3/218
6...
7[INFO] processing image 216/218
8[INFO] processing image 217/218
9[INFO] processing image 218/218
10[INFO] serializing encodings...
11$ ls -lh encodings*
12-rw-r--r--@ 1 adrian staff 234K May 29 13:03 encodings.pickle
从输出中课件，它生成了个名为encodings.pickle的文件，该文件包含了数据集中每个面部图像的128维面部嵌入。
在我的Titan X GPU上，处理整个数据集花费了一分钟多一点，但如果只使用CPU，就要做好等待很久的心理准备。
在我的Macbook Pro上（没有GPU），编码218张图像需要21分20秒。
如果你有GPU并且编译dlib时选择了支持GPU，那么速度应该会快得多。
▌识别图像中的面部
注意：别忘了我们的模型是根据原版电影中的四个角色进行训练的：Alan Grant、Ellie Sattler、Ian Malcolm和John Hammond。模型并没有针对Donald Gennaro（律师）进行训练，所以他的面部被标记为“Unknown”。这个行为是特意的（不是意外），以演示我们的视频识别系统在识别训练过的面部的同时，会把不认识的面部标记为“Unknown”。
▌面部识别代码能运行在树莓派上吗？
从某种意义上，可以。不过有一些限制：
树莓派内存太小，没办法运行更准确的基于CNN的面部检测器；
因此只能用HOG方式；
即使如此，HOG方式在树莓派上也太慢，没办法用于实时面部检测；
所以只能用OpenCV的Haar层叠方式。
即使这样能运行起来，实际的速率也只有1～2FPS，而且就算是这种速率也需要许多技巧。
▌总结
在这篇指南中，我们学习了如何利用OpenCV、Python和深度学习来进行面部识别。此外，我们还利用了Davis King的dlib库和Adam Geitgey的face_recognition模块，后者对dlib的深度度量学习进行了封装，使得面部识别更容易完成。
我们发现，我们的面部识别实现同时具有以下两个特点：准确，并且能在GPU上实时运行。