Dlib是一個深度學習開源工具，基于C++開發，也支持Python開發接口，功能類似于TensorFlow與PyTorch。但是由于Dlib對于人臉特征提取支持很好，有很多訓練好的人臉特征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.人臉特征建模與2.使用人臉特征模型進行驗證（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征提取模型，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。可以采用余弦相似度或者歐式距離來計算相似度。其中余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征的相似度（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，其他平臺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，簡單占用內存小。

推薦使用清華源，下載安裝，選擇合適的平臺版本。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）

conda install -c conda-forge dlib

需要imageio 庫，可以使用下述命令安裝

conda install imageio

3.開發實戰

1.實現人臉檢測標記

face_test.pyimport dlibfrom imageio import imreadimport globdetector = dlib.get_frontal_face_detector（）win = dlib.image_window（）path = “f1.jpg”img = imread（path）dets = detector（img）print（‘檢測到了 %d 個人臉’ % len（dets））for i， d in enumerate（dets）：print（‘- %d：Left %d Top %d Right %d Bottom %d’ % （i， d.left（）， d.top（）， d.right（）， d.bottom（）））win.clear_overlay（）win.set_image（img）win.add_overlay（dets）dlib.hit_enter_to_continue（）

代碼很簡單，通過imread讀取照片，然后進行檢測，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。最后通過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.人臉特征點提取

在實戰1的基礎上添加人臉特征提取功能。

import dlibfrom imageio import imreadimport globdetector = dlib.get_frontal_face_detector（）win = dlib.image_window（）predictor_path = ‘shape_predictor_68_face_landmarks.dat’predictor = dlib.shape_predictor（predictor_path）path = “f2.jpg”img = imread（path）dets = detector（img）print（‘檢測到了 %d 個人臉’ % len（dets））for i， d in enumerate（dets）：print（‘- %d： Left %d Top %d Right %d Bottom %d’ % （i， d.left（）， d.top（）， d.right（）， d.bottom（）））shape = predictor（img， d） # 第 0 個點和第 1 個點的坐標print（‘Part 0： {}， Part 1： {}’.format（shape.part（0）， shape.part（1）））win.clear_overlay（）win.set_image（img）win.add_overlay（dets）win.add_overlay（shape）dlib.hit_enter_to_continue（）

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個特征點。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征向量，從而我們就可以對特征向量進行比對來實現人臉的驗證，這里采用的是對比歐式距離的方法。

face_recognition.pyimport dlibfrom imageio import imreadimport globimport numpy as npdetector = dlib.get_frontal_face_detector（）predictor_path = ‘shape_predictor_68_face_landmarks.dat’predictor = dlib.shape_predictor（predictor_path）face_rec_model_path = ‘dlib_face_recognition_resnet_model_v1.dat’facerec = dlib.face_recognition_model_v1（face_rec_model_path）def get_feature（path）：img = imread（path）dets = detector（img）print（‘檢測到了 %d 個人臉’ % len（dets））# 這里假設每張圖只有一個人臉shape = predictor（img， dets［0］）face_vector = facerec.compute_face_descriptor（img， shape）return（face_vector）def distance（a，b）：a，b = np.array（a）， np.array（b）sub = np.sum（（a-b）**2）add = （np.sum（a**2）+np.sum（b**2））/2.return sub/addpath_lists1 = ［“f1.jpg”，“f2.jpg”］path_lists2 = ［“趙麗穎照片.jpg”，“趙麗穎測試.jpg”］feature_lists1 = ［get_feature（path） for path in path_lists1］feature_lists2 = ［get_feature（path） for path in path_lists2］print（“feature 1 shape”，feature_lists1［0］.shape）out1 = distance（feature_lists1［0］，feature_lists1［1］）out2 = distance（feature_lists2［0］，feature_lists2［1］）print（“diff distance is”，out1）print（“same distance is”，out2）out1 = distance（feature_lists1［0］，feature_lists1［1］）out2 = distance（feature_lists2［0］，feature_lists2［1］）

輸出結果

檢測到了 1 個人臉檢測到了 1 個人臉檢測到了 1 個人臉檢測到了 1 個人臉feature 1 shape （128， 1）diff distance is 0.254767715912same distance is 0.0620976363391

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征的距離，設定好合適的閾值，小于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。我這里先設置為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

def classifier（a，b，t = 0.09）：if（distance（a，b）《=t）： ret = Trueelse ： ret = Falsereturn（ret）print（“f1 is 趙麗穎”，classifier（feature_lists1［0］，feature_lists2［1］））print（“f2 is 趙麗穎”，classifier（feature_lists1［1］，feature_lists2［1］））print（“趙麗穎照片.jpg is 趙麗穎測試.jpg”，classifier（feature_lists2［0］，feature_lists2［1］））

輸出結果

f1 is 趙麗穎 Falsef2 is 趙麗穎 False趙麗穎照片.jpg is 趙麗穎測試.jpg True

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。