1.简介
上一篇中我们已经搭建好了环境，下面就该进入正题了。要想通过TensorFlow实现人脸识别，并“认识我”，需要准备两个数据集：一个是自己的人脸，一个是其他人的人脸。
在准备好这两个数据集过后，我们便可以来训练神经网络，让她“认出我”。
仍然参考了http://tumumu.cn/2017/05/02/deep-learning-face/ 这篇博客。
其他人脸的数据集使用了这个，可以通过百度云下载，有20w张人脸
http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html
注意这里只需要下载img_align_celeba.zip这个压缩包就可以了，不用把整个20多G的文件下下来。用这个数据集的弊端就是不论是图片处理、训练还是运行程序都非常非常慢，一定要做好心理准备。。。
当然你也可以选择小的很多的LFW数据集，大概就1w多张人脸，跑起来特别快，但是测试下来准确率就一般般了。
2.获取本人的照片
这里需要大概10000张自己的照片，数量太少是会影响准确度的。我们通过opencv+dlib来实现图片处理与人脸识别。
这里用opencv来做文件处理，用dlib自带的dlib.get_frontal_face_detector()来检测正脸，并将其保存至my_faces文件夹。下面给出代码：
get_my_faces.py文件：
# -*- codeing: utf-8 -*-
import cv2
import dlib
import os
import sys
import random
#输出路径，同目录下的my_faces文件夹
output_dir = './my_faces'
#保存的图片为64*64
size = 64
#如果该路径不存在则创建一个
if not os.path.exists(output_dir):
os.makedirs(output_dir)
# 改变图片的亮度与对比度
def relight(img, light=1, bias=0):
#shape[1]是图片像素的列数（即width）
w = img.shape[1]
#shape[0]是图片像素的行数（即height）
h = img.shape[0]
#遍历每个像素，img[行，列，BGR三元组的某一项]
for i in range(0,w):
for j in range(0,h):
for c in range(3):
tmp = int(img[j,i,c]*light + bias)
if tmp > 255:
tmp = 255
elif tmp < 0:
tmp = 0
img[j,i,c] = tmp
return img
#使用dlib自带的frontal_face_detector作为我们的特征提取器
detector = dlib.get_frontal_face_detector()
# 打开摄像头 参数为输入流，可以为摄像头或视频文件
camera = cv2.VideoCapture(0)
#图片的开始下标记
index = 1
while True:
if (index <= 10100):
print('Being processed picture %s' % index)
# 从摄像头读取照片
success, img = camera.read()
# 转为灰度图片
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 使用detector进行人脸检测
dets = detector(gray_img, 1)
#对于一个可迭代的/可遍历的对象，enumerate将其组成一个索引序列
#利用它可以同时获得索引(i)和值(d)
#left：人脸左边距离图片左边界的距离 ；right：人脸右边距离图片左边界的距离
#top：人脸上边距离图片上边界的距离 ；bottom：人脸下边距离图片上边界的距离
for i, d in enumerate(dets):
x1 = d.top() if d.top() > 0 else 0
y1 = d.bottom() if d.bottom() > 0 else 0
x2 = d.left() if d.left() > 0 else 0
y2 = d.right() if d.right() > 0 else 0
#提取img中的一部分img[y:y+h,x:x+w]
face = img[x1:y1,x2:y2]
#调整图片的对比度与亮度， 对比度与亮度值都取随机数，这样能增加样本的多样性
#uniform()用于生成一个指定范围内的实数
#randint()用于生成一个指定范围内的整数
face = relight(face, random.uniform(0.5, 1.5), random.randint(-50, 50))
#图像缩放至64*64
face = cv2.resize(face, (size,size))
cv2.imshow('image', face)
cv2.imwrite(output_dir+'/'+str(index)+'.jpg', face)
index += 1
key = cv2.waitKey(30) & 0xff
if key == 27:
break
else:
print('Finished!')
break
#while循环结束程序运行时需要坐在电脑面前不停的让前置摄像头给自己拍照，挺慢的，可以分批进行。
3.提取其他人的人脸
这里的思路与之前相似，只不过改成了从指定文件夹读取图片。我们将下载好的数据集放到input_img文件夹，然后运行程序就行。这一步也就花了4个小时，毕竟20w的数据集。
set_other_people.py文件：
# -*- codeing: utf-8 -*-
import sys
import os
import cv2
import dlib
#准备好的数据集
input_dir = './input_img'
#输出路径
output_dir = './other_faces'
size = 64
if not os.path.exists(output_dir):
os.makedirs(output_dir)
#使用dlib自带的frontal_face_detector作为我们的特征提取器
detector = dlib.get_frontal_face_detector()
index = 1
for (path, dirnames, filenames) in os.walk(input_dir):
for filename in filenames:
if filename.endswith('.jpg'):
print('Being processed picture %s' % index)
img_path = path+'/'+filename
# 从文件读取图片
img = cv2.imread(img_path)
# 转为灰度图片
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 使用detector进行人脸检测 dets为返回的结果
dets = detector(gray_img, 1)
#使用enumerate 函数遍历序列中的元素以及它们的下标
#i为索引，d为值
#left：人脸左边距离图片左边界的距离 ；right：人脸右边距离图片左边界的距离
#top：人脸上边距离图片上边界的距离 ；bottom：人脸下边距离图片上边界的距离
for i, d in enumerate(dets):
top = d.top() if d.top() > 0 else 0
bottom = d.bottom() if d.bottom() > 0 else 0
left = d.left() if d.left() > 0 else 0
right = d.right() if d.right() > 0 else 0
# img[y:y+h,x:x+w]
face = img[top:bottom,left:right]
# 调整图片的尺寸至64*64
face = cv2.resize(face, (size,size))
cv2.imshow('image',face)
# 保存图片
cv2.imwrite(output_dir+'/'+str(index)+'.jpg', face)
index += 1
key = cv2.waitKey(30) & 0xff
if key == 27:
sys.exit(0)
4.总结
这两步完成，前期的准备工作就算是做好了。这时候你的工程目录下应该有这么几个文件：
other_faces里应当有20w左右的裁剪好的其他人的人脸。