用Python实现一个简单的|猜猜我像那个明星

  • A+
所属分类:人工智能
广告也精彩

近几年来,兴起了一股人工智能热潮,让人们见到了AI的能力和强大,比如图像识别,语音识别,机器翻译,无人驾驶等等。总体来说,AI的门槛还是比较高,不仅要学会使用框架实现,更重要的是,需要有一定的数学基础,如线性代数,矩阵,微积分等。

幸庆的是,国内外许多大神都已经给我们造好“轮子”,我们可以直接来使用某些模型。今天就和大家交流下如何实现一个简易版的人脸对比,非常有趣!

整体思路:

• 预先导入所需要的人脸识别模型

• 遍历循环识别文件夹里面的图片,让模型“记住”人物的样子

• 输入一张新的图像,与前一步文件夹里面的图片比对,返回最接近的结果

使用到的第三方模块和模型:

模块:os,dlib,glob,numpy

模型:人脸关键点检测器,人脸识别模型

1

导入需要的模块和模型

用Python实现一个简单的|猜猜我像那个明星

这里解释一下两个dat文件:

它们的本质是参数值(即神经网络的权重)。人脸识别算是深度学习的一个应用,事先需要经过大量的人脸图像来训练。所以一开始我们需要去设计一个神经网络结构,来“记住”人类的脸。

对于神经网络来说,即便是同样的结构,不同的参数也会导致识别的东西不一样。在这里,这两个参数文件就对应了不同的功能(它们对应的神经网络结构也不同):

shape_predictor.dat这个是为了检测人脸的关键点,比如眼睛,嘴巴等等;dlib_face_recognition.dat是在前面检测关键点的基础上,生成人脸的特征值。

所以后面使用dlib模块的时候,其实就是相当于,调用了某个神经网络结构,再把预先训练好的参数传给我们调用的神经网络。顺便提一下,在深度学习领域中,往往动不动会训练出一个上百M的参数模型出来,是很正常的事。

2

对训练集进行识别

在这一步中,我们要完成的是,对图片文件夹里面的人物图像,计算他们的人脸特征,并放到一个列表里面,为了后面可以和新的图像进行一个距离计算。关键地方会加上注释,应该不难理解,具体实现为:

用Python实现一个简单的|猜猜我像那个明星

当你做完这一步之后,输出列表descriptors看一下,可以看到类似这样的数组,每一个数组代表的就是每一张图片的特征量(128维)。然后我们可以使用L2范式(欧式距离),来计算两者间的距离。

举个例子,比如经过计算后,A的特征值是[x1,x2,x3],B的特征值是[y1,y2,y3], C的特征值是[z1,z2,z3],

用Python实现一个简单的|猜猜我像那个明星

那么由于A和B更接近,所以会认为A和B更像。想象一下极端情况,如果是同一个人的两张不同照片,那么它们的特征值是不是应该会几乎接近呢?知道了这一点,就可以继续往下走了。

用Python实现一个简单的|猜猜我像那个明星

3

处理待对比的图片

其实是同样的道理,如法炮制,目的就是算出一个特征值出来,所以和第二步差不多。然后再顺便计算出新图片和第二步中每一张图片的距离,再合成一个字典类型,排个序,选出最小值,搞定收工!

用Python实现一个简单的|猜猜我像那个明星

4

运行看一下

这里我用了一张“断水流大师兄”林国斌的照片,识别的结果是,果然,是最接近黎明了(嘻嘻,我爱黎明)。但如果你事先在训练图像集里面有放入林国斌的照片,那么出来的结果就是林国斌了。

用Python实现一个简单的|猜猜我像那个明星

为什么是黎明呢?我们看一下输入图片里的人物最后与每个明星的距离,输出打印一下:

用Python实现一个简单的|猜猜我像那个明星

没错,他和黎明的距离是最小的,所以和他也最像了!

用Python实现一个简单的|猜猜我像那个明星

Python就是这么有趣好玩,可以玩爬虫,探秘数据分析,量化金融来赚钱,也可以来撩妹子做自动化工作,机器学习领域就更好了,人脸识别,自然语言处理,数据预测和挖掘! 目前我成立了一个Python工作圈,希望汇聚1000人的Python工作圈。

总之,想更多的了解Python圈,积累人脉和资源,了解不同的岗位都可以进来了聊一聊(目前有国内一些大公司的经理和技术骨干,也有外企的小伙伴,还有在硅谷工作海外人士,更多嘉宾大咖正在邀请中)。

  • 微信
  • 扫一扫
  • weinxin
  • 微信公众号
  • 扫一扫
  • weinxin
广告也精彩
女短靴
半身裙毛呢裙裤
针织衫
一步裙
广告也精彩

发表评论

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: