Python实现基于深度学习的人脸识别

作者:文／张枝令

摘要：近年来，人脸识别技术已经由弱人工智能向强人工智能转化，随着人脸识别算法的不断改进，人脸识别技术已经在公安、金融等部门得到了广泛应用。本文提出了一种Python语言利用Dlib第三方库实现基于深度学习的人脸识别方法。

关键词：Python；Dlib；人脸识别

★基金项目：2016年国家级大学生创新创业训练计划项目(201610398005）。

1、人脸识别技术概述

人脸识别技术是一种基于图像识别，是根据人脸的特征信息进行身份判定的技术，它经过了几十年的发展已经由弱人工智能向强人工智能转化，随着人脸识别算法的不断改进，人脸识别技术已经成为人工智能领域的重要应用。目前人脸识别技术已经比较成熟，得到了公安金融等部门的广泛应用。（1）公安部门：通过相片匹配户籍数据，寻找目标对象。（2）安防领域：通过人脸识别对重点管控区域人员的身份识别，在公共场所对人群进行监视，以达到身份识别的目的，例如在机场、车站等人流量大的场所，通过智能监控系统识别犯罪分子。（3）金融领域：利用人脸识别实现交易支付，例如支付宝实名认证用户可通过刷脸支付。

2、人脸识别的过程

人脸识别是一个比较复杂的过程，归纳起来可以由五个步骤组成：人脸检测、人脸关键点检测、人脸规整、人脸特征提取、人脸识别，人脸识别的过程如图1所示。不同技术会采用不同的方法来实现人脸面部特征的抽象，比如Harmon和Lesk采用多维特征矢量来表示，而Kaya和Kobayashi则采用欧氏距离来表示，本文第三部分提到的Dlib库则是基于深度学习，利用已经训练好的人脸关键点检测器和人脸识别模型，得到人脸面部特征值。

图1 人脸识别的过程3、Dlib库介绍

近些年，Python语言发展迅猛，在很多开发语言排行榜名列前三名。Python语言能够得到这么快的发展，得益于其源代码开源性和代码开发的高效性。Python社区提供了大量的第三方库，它们能够实现科学计算、数据可视化、数据分析等多个领域，Dlib库就是一个知名的第三方库，能够实现人脸检测和识别，其算法采用HOG特征与级联分类器，算法的实现大概过程有：（1）将图像灰度化。（2）采用Gamma校正法对图像进行颜色空间的标准化。（3）对每个图像像素进行梯度计算。（4）对图像进行小单元格划分。（5）生成每个单元格的梯度直方图。（6）把单元格组合成大的块，块内归一化梯度直方图。（7）生成HOG特征描述向量。

4、Python利用Dlib库实现人脸识别

4.1 前期准备

(1)安装好Dlib第三方库。(2)下载人脸识别模型和人脸关键点检测器，分别保存为文件1.dat和2.dat（可从网址http://dlib.net/files/下载）。

(3)准备好已知人脸相片和待识别人脸相片，本例准备已知人脸相片20张存放在Faces文件夹中，待识别人脸2张，其中test01.jpg和Faces文件夹中的第19张相片是同一个人，test02.jpg和Faces文件夹中的第7张相片是同一个人，主程序为testface.py，整个文件夹如图2所示。

图2 文件夹组成示意图4.2实现过程

实现过程主要有三个步骤：根据人脸识别模型和人脸关键点检测器，得到已知人脸相片的特征值库；根据人脸识别模型和人脸关键点检测器，得到待识别人脸相片的特征值；计算待识别人脸相片的特征值和特征值库的欧式距离，距离最小者就是参考识别结果。程序的实现主要包括以下三个子函数，fun1函数功能是得到一张相片的特征值，fun2函数功能是得到多张相片的特征值库，fun3函数功能是计算待识别人脸相片的特征值和特征值库的欧式距离，输出距离最小者为参考识别结果。

（1）fun1函数代码如下，例如执行fun1(test01. jpg)就可以得到以下128个特征值，结果如表1所示。