编者按：如今，人脸识别已经在我们的生活中处处可见——无论是政府布置在大街小巷的“天眼”，还是手机软件中用于验证用户个人身份的确认手段，刷脸解锁、刷脸支付……每个人与生俱来的这张“独一无二”的脸正在取代数字密码，成为虚拟世界中的身份证明。小编没有iPhone XS，所以就在这里推荐一篇人脸识别入门佳作吧~
人脸识别是计算机视觉的一个子领域，它的应用范围非常广泛，现在已经成为世界各地的企业争相竞逐的新技术之一。考虑到市场的盈利现状，未来这项技术还会有更大的需求空间，所以作为机器学习的学习者，自己动手去从头开始构建一个人脸识别工具很有价值。
本文就是如何构建人脸识别器的一则指南，在文章中，首先我们会介绍这项技术的基本原理，然后用一个简单案例演示如何用Python来实现。
在理解人脸识别的工作原理之前，我们先来看看什么是特征向量。
机器学习算法的本质是将数据集中的所有样本作为输入，从数据中学习“知识”，简而言之，算法会遍历数据并识别数据中的模式。以人脸识别为例，如果我们希望给定一幅图像，算法能识别出图像中的人是谁，那么这时它识别到的模式其实有很多种：
-
有时长度/宽度的具体数值可能是不可靠的，因为它们会随着图像缩放不断变化，但即使在重新缩放之后，某些数据还是会始终保持不变——脸部的长宽比率
-
五官的形状，如嘴、鼻子等
显然，它们有一个共识——不同人脸的脸部长宽比、五官、肤色等是不同的。如果两张人脸很相似，那它们在这些方面的差异就比较小。这就引出了最具挑战性的一个步骤：把特定人的面部转换成数字表示——机器学习算法只能理解数字。
这种“人脸”（或训练集中特征）的数字表示就是我们所说的特征向量，它包含按特定顺序排列的一系列数字。
为了方便理解，下面举一个简单的例子，我们可以将“人脸”映射到一个特征向量，该特征向量可以包含各种特征，例如：面长（cm）、面宽（cm）、平均肤色（RGB）、嘴唇宽度（cm）、鼻子长度（cm）。
基本上，给定一个图像，我们可以绘制出各种特征并将其转换为特征向量，如：
综合来看，我们用这些代码做到了： 上面的输出清楚地表明这个简单人脸识别算法的效果非常好，让我们尝试用另一个图像替换my_image ： 再次运行算法时，输出变成了这样： 显然，马云不在我们的“语料库”中。 人脸识别是一个有趣的问题，关于它的研究比较成熟，这项技术也被广泛应用于工业界和学术界。“歌神”张学友之所以能成为“逃犯克星”，演唱会现场布置的先进人脸识别摄像头功不可没，这也是人脸识别用于减轻犯罪的一个典例。此外，这项技术还有许多应用： 总而言之，人脸识别已经开始从各个方面服务社会，虽然某些商业化应用会存在道德风险，但这些都不应成为阻碍技术发展的绊脚石。 |
