⽤深度学习识别⼈脸openface和dlib
你有没有发现 Facebook 研发出了⼀种能够在你的照⽚中识别出你朋友的神奇neng li？之前，你需要⼿动点击你朋友的照⽚，输⼊他们的名字，然后加上标签。现在，只要你⼀上传照⽚，Facebook 就会神奇地标注出你的每⼀个朋友：
Facebook 会基于你之前的标注，⾃动标注出你照⽚中的⼈。我不知道该说它有⽤呢还是邪乎呢！
这种技术被称为⼈脸识别。你的朋友被标记了⼏次之后，Facebook 的算法就能够识别你朋友的脸。这是⼀项⾮常惊⼈的⿊科技——Facebook 的⼈脸识别准确率，⼏乎与⼈类做得⼀样好！
让我们来了解⼀下现代⼈脸识别是如何⼯作的！但是，识别你的朋友这太容易了。我们可以最⼤化扩展这项技术，来解决⼀个更具挑战性的问题——区分（Will Ferrell，著名演员）和（Chad Smith，著名摇滚⾳乐家）！破碎机锤头铸造工艺
其中⼀个⼈是威尔·法瑞尔，另⼀个是查德·史密斯。我保证他们不是同⼀个⼈！数字仪表
如何⽤机器学习解决复杂问题？
到⽬前为⽌，在前三章，我们⽤机器学习来解决了⼀些⼀步就能完成的问题——估计房⼦的价格、基于现有数据⽣成新数据[1]、判别图像当中是否包含某个物品。所有这些问题都可以通过下列步骤解决：选择⼀个机器学习算法，输⼊数据，然后获得结果。 但是，⼈脸识别是由⼀系列的⼏个相关问题组成的：
dc-dc变换器1. ⾸先，到⼀张图⽚中的所有⼈脸。
2. 第⼆，对于每⼀张脸来说，⽆论光线明暗或⾯朝别处，它依旧能够识别出是同⼀个⼈的脸。
自制巧克力模具3. 第三，能够在每⼀张脸上出可⽤于与他⼈区分的独特之处，⽐如说眼睛有多⼤，脸有多长等等。
4. 最后，将这张脸的特点与已知的所有⼈脸进⾏⽐较，以确定这个⼈的姓名。
作为⼈类，你的⼤脑总是在⼀瞬间⾃动做出了这些判断。实际上，⼈类在识别⼈脸这⽅⾯做得太好了，以⾄于他们会在⽇常物品中同样去「脸」：
计算机还不具备这种⾼级泛化能⼒（ ⾄少现在还不⾏…… ），所以我们必须⼿把⼿⼀步⼀步教它们怎么做。
我们需要构建⼀个流⽔线（pipeline）来识别⼈脸，它可以把上⼀个步骤的结果发送给下⼀个步骤。换句话说，我们会将好⼏个机器学习算法连接到⼀起：
⼀个基础的⼈脸识别的流⽔线是怎样⼯作的
⼈脸识别——分步讲解
让我们⼀步⼀步地解决这个问题。对于每个步骤，我们将学习⼀个不同的机器学习算法。我并不会完全解释每⼀个的算法，否则这篇⽂章就变成了⼀本教科书。但你会学到每个步骤的精髓，以及如何在 Python 中使⽤和来构建⼀个你⾃⼰的⾯部识别系统。
一次性台布
第⼀步：出所有的⾯孔
我们流⽔线的第⼀步是⼈脸检测。显然，在我们区分⼈脸之前，我们必须要照⽚中到他们才⾏！
如果你在过去 10 年⾥使⽤过相机，你可能已经见过正在运⾏中的⼈脸检测功能：
⼈脸检测是相机很好的⼀个功能。当相机⾃动选中⼈脸时，它可以确保在拍摄时对焦到所有⼈脸。不过，我们使⽤它另有其因——我们需要到想要传递到流⽔线下⼀步的图像区域。
2000 年初的时候，当保罗·⽐奥拉（Paul Viola）和迈克尔·琼斯（Michael Jones）发明了⼀种能够快速在廉价相机上运⾏的之后[2]，⼈脸检测在成为了主流。然⽽现在，更可靠的解决⽅案出现了。我们将使⽤ 2005 年发明的⼀种称为（Histogram of Oriented Gradients）的⽅法，简称HOG。
要在⼀张图⽚中到脸，我们⾸先将图像转换为⿊⽩，因为我们并不需要颜⾊数据来到脸：
然后，我们将查看图⽚中的每⼀个像素。对于单个像素，我们也要查看它周围的其他像素： 我们的⽬标是出并⽐较当前像素与直接围绕它的像素的深度。然后我们要画⼀个箭头来代表图像变暗的⽅向：
看这个像素和它周围的像素，图像向右上⽅变暗。
如果你对图⽚中的每⼀个像素重复这个过程，最终每个像素会被⼀个箭头取代。这些箭头被称为梯度（gradients），它们能显⽰出图像上从明亮到⿊暗的流动过程：
⽤梯度来代替像素这事看起来没有明确⽬的，但其实背后的理由很充分。如果我们直接分析像素，同⼀个⼈明暗不同的两张照⽚将具有完全不同的像素值。但是如果只考虑亮度变化 ⽅向 （direction）的话，明暗图像将会有同样的结果。这使得问题变得更容易解决！
高压阻尼线
但是保存每个像素的梯度太过细节化了，我们最终很有可能「⼀叶障⽬不见泰⼭」。如果能从更⾼的⾓度上观察基本的明暗流动，我们就可以看出图像的基本规律，这会⽐之前更好。
为了做到这⼀点，我们将图像分割成⼀些 16×16 像素的⼩⽅块。在每个⼩⽅块中，我们将计算出每个主⽅向上有多少个梯度（有多少指向上，指向右上，指向右等）。然后我们将⽤指向性最强那个⽅向的箭头来代替原来的那个⼩⽅块。
最终的结果是，我们把原始图像转换成了⼀个⾮常简单的表达形式，这种表达形式可以⽤⼀种简单的⽅式来捕获⾯部的基本结构：
原始图像被表⽰成了
HOG 形式，以捕获图像的主要特征，⽆论图像明暗度如何。
为了在这个 HOG 图像中到脸部，我们要所需要做的，就是到我们的图像中，与已知的⼀些 HOG 图案中，看起来最相似的部分。这些HOG 图案都是从其他⾯部训练数据中提取出来的：
使⽤这种技术，我们现在可以轻松地在任何图⽚中到脸部：
如果你想⽤ Python 和 dlib 亲⼿试试看，显⽰了如何⽣成和查看 HOG 图像。
第⼆步：脸部的不同姿势
哇，我们把图⽚中的脸部分离出来了。但现在，我们要处理的问题就是，对于电脑来说，⾯朝不同⽅向的同⼀张脸，是不同的东西：
