根据网上的一些资料教程，自己动手实现了人脸识别的程序，GitHub地址。
下图是在视频中测试结果的截图。
前提概要
在整个环境配置过程中，比较麻烦的就是安装openvc，以及安装dlib库。当这两个库安装成功，基本上就可以畅通的进行以抄代码为主的学习之旅了。此外，关于卷积网络的简单了解也是一件很有必要的事情，可以有助于抄代码时的理解。
人脸识别两部走
人脸识别可以分为两大部分:人脸检测和人脸验证。前者，在图像或视频中检测出人脸部分；后者则是对人脸进行验证，查验是否为某某。另外，加上活体检测基本上就可以避免在业务环境中，人为的作假是可以极大的降低。
ps:在本例子中，并没有活体检测……
人脸检测
关于人脸检测，没有亲自从底层去实现或者优化如何检测人脸。而是采用了opencv和dlib进行人脸检测，在使用过程中发现dlib的识别精度更为高一些，而opencv的识别速度更为快，具体体现在：当Mac摄像头打开后，dlib非常卡顿，于是测试了一下，用dlib库的get_frontal_face_detector()检测器检测耗时需要1秒+。不过，当摄像头窗口只是显示一个低像素下的人脸时效果会好很多。
具体代码可以看GitHub，注释都还是抄的比较详尽的，切记先看readme。此处只说说几个需要注意的地方
- 获取Mac摄像头，
capture = cv2.VideoCapture(0)参数是0
，有的资料是1或其他，反正我测试之后都是不行。 - opencv的预置模型是存成了xml文件在安装opencv中的一个文件夹下，我这里提取出了自己测试的几个模型放在了**face_opencv_model文件夹之中。而dlib库则是函数式的调用即可。另外，opencv和dlib都不仅仅可以识别人脸，还有一些人脸特征部分也是有预置模型，dlib更是有着人脸特征点的提取。
尽管没有从底层实现人脸检测，不过根据查阅的资料，隐约还记得一个向量相关的概念，暂做记录以备理解。不对之处，敬请指正。
用向量表示了整个图像，如此一来，通过向量的走向，是可以看出一个人脸的模子的。
在具体代码中，主要是做了通过Mac打开摄像头，截取了自己的人脸照片作为数据集。以及，在训练模型之后，打开摄像头，预测视频中的人脸是否为自己。
人脸验证
人脸验证，主要是用到了深度学习中的卷积神经网络。简单的说下，直接用深度神经网络是不大适合的，会耗费过多的运算算力。关于卷积神经网络，具体的还是可以看看之前的博文。
在代码中，主要是用Keras来搭建模型，以及训练，保存，预测引用。Keras是在TensorFlow之上的又一个框架。非常棒的一点是，它有中文版的API文档，而且API设计的更为人性化易于理解。
根据网上教程示例，敲完之后总结如下：
- 模型不清楚是按照什么理论设计的……反正，这本身就是个玄学。虽然训练效果是精准度95%左右吧，可是在识别过程中还是会存在超过想象的误差。模型的设计，真的不知道该怎么有迹可循。反正，我是直接照搬的博主的模型。
- 其实在最开始，是通过吴恩达课程练习了人脸识别，不过课程练习没有加入视频和人脸检测，但是用了迁移学习。不过迁移学习相关的代码又都是已经给好了……
- 整体上来说，本例中的人脸识别，除了网络用成了卷积神经网络，模型用了某位博主的。依然是深度学习中——对标签数据，通过前向传播再反向传播，梯度递减权重更新，设置学习率迭代数，获得一个模型参数然后加以应用，如是这般的一个套路。
具体的代码，依然是看GitHub，毕竟我抄的注释和自己理解的注释还是比较详尽的。
后记： 我知道自己抄的代码也好，还是理解的一些理论肯定有不少不足的地方。希望有朋友如果看了之后，可以指点一番，也欢迎一起交流。可以在博客上通过邮件联系我，谢谢！
