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
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：
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],
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。
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！
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。
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：
没错，他和黎明的距离是最小的，所以和他也最像了！
