上一期我们玩了下人脸检测，深感写得不好，这期好好写。

小枪换炮，我们一起来做人脸识别如何？

话不多说。。。

step 1 网络

人脸检测好了，如何知道是谁呢？首先搞个CNN分配器。

那学习下CNN的结构

一看图，别跑，乍一看就是把图像经过卷积输出一组数据 其实不就是基于深度网络的特征提取吗？那好了，最后的1024个特征全连接到几个人就OK了。

使用keras构建一个不就好了，照猫画虎 代码奉上：

model = Sequential()
model.add(Conv2D(32,kernel_size = (3,3), strides = (1,1), padding = 'same', input_shape = （114,114,3）, activation = 'relu'))
model.add(MaxPooling2D(pool_size = (2,2)))
model.add(Dropout(0.25))

model.add(Conv2D(64,kernel_size = (3,3), strides = (1,1), padding = 'same', activation = 'relu'))
model.add(MaxPooling2D(pool_size = (2,2)))
model.add(Dropout(0.25))

model.add(Conv2D(128,kernel_size = (3,3), strides = (1,1), padding = 'same', activation = 'relu'))
model.add(MaxPooling2D(pool_size = (2,2)))
model.add(Dropout(0.25))

model.add(Flatten())

model.add(Dense(128,activation = 'relu'))
model.add(Dense(64,activation = 'relu'))
model.add(Dense(len(classes),activation = 'softmax'))

说明：

Sequential：序贯模型

序贯模型是函数式模型的简略版，为最简单的线性、从头到尾的结构顺序，不分叉，是多个网络层的线性堆叠

add 网络添加

添加网络到序贯模型

Conv2D：二维卷积

图像的处理当然是二维卷积了

Conv2D(32,kernel_size = (3,3), strides = (1,1), padding = 'same', input_shape = (114,114,3), activation = 'relu')

参数说明：

1. 32 输出的维度大小
2. kernel_size 卷积核的大小
3. strides 步长（每次卷积操作跳的步长）
4. padding 自动填充输入
5. input_shape 输入的shape我们输入的是114*114*3
6. activation 激活函数

MaxPooling2D:最大池化层

就是弄个卷积比如（2*2）在这个2*2的图像里取最大值代替2*2所以输出减半喽

Dropout：防止过拟合的

按照一定的概率将一段神经网络暂时从网络中丢弃

Flatten：扁平化层

就是把多维的数据变成一维的

Dense：全连接层

把扁平化的数据全连接到我们输出的类的数量上，比如classes的长度

classes里面就是我们不同人的id呗。

网络构建好了 数据呢？？

step2 数据

深度神经网络的主要做的就是就是 数据 --->网络模型学习--->识别

好的，那我们录下自己的数据呗，每个人一个名字一个文件夹，里面放114*114大小的脸部图片。

如：

之前我们做好了人脸检测的那我们在这基础上检测人脸并保存到文件夹里呗，代码奉上：

import cv2
import os
import numpy as np

xml_path = r'./haarcascade_frontalface_default.xml'
cascade_signal = cv2.CascadeClassifier(xml_path)
cap = cv2.VideoCapture(0)#注意这里是数字零、
dir_name='./xia/'#存放人脸的文件夹名称,你的名字
num=0
#检测到没有文件夹构建一个呗
if not os.path.isdir(dir_name):
    os.mkdir(dir_name)

while True:
  box = []
  _,frame= cap.read()#读取第一帧画面
  #读取成功
  if _:
    #置信度的与阈值1~1.5 越大识别越的要求高，但可能识别出你就很困难、
    result = cascade_signal.detectMultiScale(frame, 1.3, 5)
    #识别到了画出来
    if result != ():
      result_mean = np.mean(result, axis=0)
      x = int(result_mean[0])
      y = int(result_mean[1])
      w = int(result_mean[2])
      h = int(result_mean[3])
      box = (x,y,x+w,y+h)
      face_img = frame[y:y+h, x:x+w]
      cv2.rectangle(frame,(x,y),(x+w,y+h),(0,255,0),1)
      #显示出来
      cv2.imshow('im',frame)
      #保存脸部信息
      cv2.imwrite(dir_name+('%06d.png'%num),cv2.resize(face_img,(114,114)))
      cv2.waitKey(1)
      num+=1
cap.replease()

好的我们有自己的脸再去找些其他人的脸吧！

一个萝卜一个坑 一个一个文件夹准备好：

当然不能写汉字，这里写汉字主要是皮一下。。。

数据数量：

样式越多越好，表情丰富，光线充足 。一千以上

构建数据集

按照比例构建数据集，有两个需要的，训练数据集，测试数据集

读取所有图片，每个人的脸部图片对应一个标签0~10递增当然也可以是0~100看你有多少文件夹多少个人了

还说啥代码：

def dataset(data_dir):
        category_count=0
        for dirname  in os.listdir(data_dir):
            if os.path.isdir(data_dir+'/'+dirname):
                sample_count = 0
                print("load-->"+dirname)
                sub_dir = data_dir+"/"+dirname
                for filename in os.listdir(sub_dir):
                    max_ = len(os.listdir(sub_dir))
                    sub_img = sub_dir+"/"+filename
                    img = cv2.imread(sub_img)
                    sample_count += 1
                    if(sample_count <= max_*0.2):
                        validation_images.append(img)
                        self.validation_labels.append(self.category_count)
                    else:
                        train_images.append(img)
                        train_labels.append(category_count)
                category_count+=1
        train_images = np.asarray(train_images)
        train_labels = np.asarray(train_labels)
        validation_images = np.asarray(validation_images)
        validation_labels = np.asarray(validation_labels)
        return train_images,train_labels,validation_images,validation_labels

完后就是训练了，点赞超百，马上开始训练，哭了帮兄弟一把吧