其實這套系統的原理很簡單，本著能夠讓每個人都能讀懂的原則，一定不要用專業的眼光去看這套系統，其實它只不過是用幾個現成的元件拼接而成的。
系統流程如圖：
準備工作：攝像頭，Ubuntu系統、python開發環境、網路環境
沒錯，就是這麼簡單，需要準備的東西並不多。這裡你也可以用Windows系統來搭建，只要你高興，怎麼著都行。
安裝python的依賴包
對於python環境，你可以直接透過下載
anaconda
，它是一款python的整合開發環境，裡面包含了大量的python依賴包。接下來會安裝一些anaconda中沒有的依賴包：
face_recognition、OpenaCV、pymysql、wxpy
對於pymysql，可以這麼安裝：
pip install pymysql -i https：//pypi。tuna。tsinghua。edu。cn/simple
對於face_recognition和OpenaCV，會比較麻煩
安裝OpenCV
裝一大堆核心：
#Remove any previous installations of x264
sudo apt-get remove x264 libx264-dev
#We will Install dependencies now
sudo apt-get install build-essential checkinstall cmake pkg-config yasmsudo apt-get install git gfortransudo apt-get install libjpeg8-dev libjasper-dev libpng12-dev
# If you are using Ubuntu 14。04
sudo apt-get install libtiff4-dev
# If you are using Ubuntu 16。04
sudo apt-get install libtiff5-dev
sudo apt-get install libavcodec-dev libavformat-dev libswscale-dev libdc1394-22-dev
sudo apt-get install libxine2-dev libv4l-dev
sudo apt-get install libgstreamer0。10-dev libgstreamer-plugins-base0。10-dev
sudo apt-get install qt5-default libgtk2。0-dev libtbb-dev
sudo apt-get install libatlas-base-devsudo apt-get install libfaac-dev libmp3lame-dev libtheora-dev
sudo apt-get install libvorbis-dev libxvidcore-dev
sudo apt-get install libopencore-amrnb-dev libopencore-amrwb-dev
sudo apt-get install x264 v4l-utils
# Optional dependencies
sudo apt-get install libprotobuf-dev protobuf-compiler
sudo apt-get install libgoogle-glog-dev libgflags-dev
sudo apt-get install libgphoto2-dev libeigen3-dev libhdf5-dev doxygen
下載opencv包：
git clone https：//github。com/opencv/opencv。git
cd opencv
git checkout 3。3。1
cd 。。
下載opencv_contrib包：
git
clone
https
：
//
github
。
com
/
opencv
/
opencv_contrib
。
git
cd
opencv_contrib
git
checkout
3
。
3
。
1
cd
。。
開始編譯：
cd opencv
mkdir release
cd release
cmake -DBUILD_TIFF=ON \
-DBUILD_opencv_java=OFF \
-DWITH_CUDA=OFF \
-DWITH_OPENGL=ON \
-DWITH_OPENCL=ON \
-DWITH_IPP=ON \
-DWITH_TBB=ON \
-DWITH_EIGEN=ON \
-DWITH_V4L=ON \
-DWITH_VTK=OFF \
-DBUILD_TESTS=OFF \
-DBUILD_PERF_TESTS=OFF \
-DCMAKE_BUILD_TYPE=RELEASE \
-DCMAKE_INSTALL_PREFIX=$（python -c “import sys； print（sys。prefix）”） \
-DPYTHON3_EXECUTABLE=$（which python） \
-DPYTHON3_INCLUDE_DIR=$（python -c “from distutils。sysconfig import get_python_inc； print（get_python_inc（））”） \
-DPYTHON3_PACKAGES_PATH=$（python -c “from distutils。sysconfig import get_python_lib； print（get_python_lib（））”） \
。。
make -j4
make install # not sudo， except for Raspberry Pi
#Note： on the Raspberry Pi， consider make -j2 to avoid over-temperature and under-voltage warnings （in general when compiling on Raspberry Pi， not just for OpenCV）。
此時此刻，opencv已經編譯完成了，在你的
/home/［user_name］/anaconda3/lib/python3。6/site-packages/
下會有一個
cv*。so
的檔案，建立一個軟連線到你的虛擬環境下就OK了：
cd /home/［user_name］/anaconda3/lib/python3。6/site-packages/
ln -s /home/［user_name］/anaconda3/lib/python3。6/site-packages/cv2。cpython-36m-x86_64-linux-gnu。so cv2。so
可以開啟ipython來驗證一下：
In ［1］： import cv2
In ［2］： print（cv2。__version__）
3。3。1-dev
安裝face_recognition
這個比較簡單，官方寫了一份文件非常詳細，可以下載看看：
https：//
media。readthedocs。org/p
df/face-recognition/latest/face-recognition。pdf
要說明的是，在看安裝說明時仔細一點。安裝face_recognition之前需要先安裝dlib，文件上都有連結，親測可用，非常順暢。
人臉識別
接下來該編寫一小段程式了，不過不要發慌，程式也有現成的例子，只需要根據自己的需求改一改，就可以了。python語言的優點就是閱讀性很強，基本能看懂英語的都能讀懂程式碼什麼意思，所以這份程式碼的樣例讀起來也很容易，連線在這裡：
https：//
github。com/ageitgey/fac
e_recognition/blob/master/examples/facerec_from_webcam_faster。py
上面的註釋是比較詳細的，這裡我挑幾段簡單介紹一下：
video_capture = cv2。VideoCapture（0） ①
# Find all the faces and face encodings in the current frame of video
face_locations = face_recognition。face_locations（small_frame） ②
face_encodings = face_recognition。face_encodings（small_frame， face_locations） ③
第1行是將攝像頭開啟，開始捕捉畫面；第2行是尋找畫面中出現的人臉影象，第3行是提取出人臉影象中的特徵。什麼是特徵？你可以簡單把他理解為電腦為識別出人臉而定製的一套規則，符合這套規則就被認為是人臉。
找出人臉後與預存的人臉進行對比。對比的操作實際上就是計算相似度。首先需要將預存的人臉影象進行向量化，儲存為
numpy.array
格式。當然，為了每次啟動程式時不必重複對預存的圖片向量化，可以將結果進行儲存，用的時候讀取就行。
import os
import face_recognition
import numpy as np
import constants as cons
know_face_path = cons。BASE_FACES_PATH
model_path = cons。MODEL_PATH
time_now = cons。time_str
known_faces = ［］
known_names = ［］
for index， file_name in enumerate（sorted（os。listdir（know_face_path）））： # 為了呼叫時順序一致
test_image = face_recognition。load_image_file（know_face_path + ‘/’ + file_name）
model = face_recognition。face_encodings（test_image）［0］
np。savetxt（model_path + ‘/’ + time_now + ‘_’ + str（index） + ‘。model’， model）
接下來，開始計算距離，排序，選出在我所設定閾值內的最小值，進行標識：
match = face_recognition。compare_faces（known_faces， face_encoding， tolerance=0。38）
dis = face_recognition。face_distance（known_faces， face_encoding）
name = “Unknown”
id = np。argmin（dis）
if match［id］：
name = known_names［id］。split（‘。’）［0］
好了，這就是程式碼中的主要部分，剩下的就是一些個性化的定製了。比如你可以在檢測到人臉之後，給自己傳送微信訊息，這就用到了
wxpy
登入微信：
# 匯入模組
from wxpy import *
# 初始化機器人，掃碼登入
bot = Bot（）
尋找好友：
my_firend = bot。friends（）。search（‘張三’， sex=MALE）［0］
傳送訊息：
# 傳送文字給好友
my_friend。send（‘Hello！！！’）
# 傳送圖片
my_friend。send_image（‘my_picture。fig’）
其他的一些好玩的功能可以去github上瞧瞧：
https：//
github。com/youfou/wxpy
展示
以上就是製作人臉識別系統的過程，過程相對比較簡單，只要有耐心，都能夠製作完成，尤其是當看到系統正常執行時的心情，如沐浴春風，北京的天都藍了。
以下是我的執行結果圖（為銀行製作，後面搭接一個產品推薦系統）：
