一、画一朵花+签名

代码如下：

# -*- coding:utf-8 -*-

#画一朵花+签名

import turtle

turtle.color('red','green')

turtle.pensize(5)

turtle.goto(0,0)

turtle.speed(10)

for i in range(15):

turtle.forward(100)

turtle.right(150)

turtle.up()

turtle.goto(150,-120)

turtle.color('black')

turtle.write("xxx" )

turtle.up()

turtle.goto(160,-140)

turtle.color('black')

turtle.write("2018 年 1 月 10 日" )

turtle.up()

turtle.goto(240,-160)

turtle.color('black')

turtle.write("." )

turtle.done()

二、画五角星脸+签名

代码如下：

# -*- coding:utf-8 -*-

#画五角星脸+签名

import turtle

turtle.color('red','green')

turtle.pensize(5)

turtle.forward(100)

turtle.right(144)

turtle.forward(100)

turtle.right(144)

turtle.forward(100)

turtle.right(144)

turtle.forward(100)

turtle.right(144)

turtle.forward(100)

turtle.right(144)

turtle.forward(100)

turtle.up()

turtle.goto(150,120)

turtle.down()

turtle.color('red','green')

turtle.forward(50)

turtle.right(144)

turtle.forward(50)

turtle.right(144)

turtle.forward(50)

turtle.right(144)

turtle.forward(50)

turtle.right(144)

turtle.forward(50)

turtle.up()

turtle.goto(-80,90)

turtle.down()

turtle.color('red','green')

turtle.forward(50)

turtle.right(144)

turtle.forward(50)

turtle.right(144)

turtle.forward(50)

turtle.right(144)

turtle.forward(50)

turtle.right(144)

turtle.forward(50)

turtle.up()

turtle.goto(150,-120)

turtle.color('black')

turtle.write("xxx" )

turtle.up()

turtle.goto(160,-140)

turtle.color('black')

turtle.write("2018 年 1 月 7 日" )

turtle.up()

turtle.goto(240,-160)

turtle.color('black')

turtle.write("." )

turtle.done()

这个很难办到，不过可以通过判断关键点的特点进行判断，但是准确率不高

前言

很多人都认为人脸识别是一项非常难以实现的工作，看到名字就害怕，然后心怀忐忑到网上一搜，看到网上N页的教程立马就放弃了。这些人里包括曾经的我自己。其实如果如果你不是非要深究其中的原理，只是要实现这一工作的话，人脸识别也没那么难。今天我们就来看看如何在40行代码以内简单地实现人脸识别。

一点区分

对于大部分人来说，区分人脸检测和人脸识别完全不是问题。但是网上有很多教程有无无意地把人脸检测说成是人脸识别，误导群众，造成一些人认为二者是相同的。其实，人脸检测解决的问题是确定一张图上有木有人脸，而人脸识别解决的问题是这个脸是谁的。可以说人脸检测是是人识别的前期工作。今天我们要做的是人脸识别。

所用工具

Anaconda 2——Python 2

Dlib

scikit-image

Dlib

对于今天要用到的主要工具，还是有必要多说几句的。Dlib是基于现代C++的一个跨平台通用的框架，作者非常勤奋，一直在保持更新。Dlib内容涵盖机器学习、图像处理、数值算法、数据压缩等等，涉猎甚广。更重要的是，Dlib的文档非常完善，例子非常丰富。就像很多库一样，Dlib也提供了Python的接口，安装非常简单，用pip只需要一句即可：

pip install dlib

上面需要用到的scikit-image同样只是需要这么一句：

pip install scikit-image

注：如果用pip install dlib安装失败的话，那安装起来就比较麻烦了。错误提示很详细，按照错误提示一步步走就行了。

人脸识别

之所以用Dlib来实现人脸识别，是因为它已经替我们做好了绝大部分的工作，我们只需要去调用就行了。Dlib里面有人脸检测器，有训练好的人脸关键点检测器，也有训练好的人脸识别模型。今天我们主要目的是实现，而不是深究原理。感兴趣的同学可以到官网查看源码以及实现的参考文献。今天的例子既然代码不超过40行，其实是没啥难度的。有难度的东西都在源码和论文里。

首先先通过文件树看一下今天需要用到的东西：

准备了六个候选人的图片放在candidate-faces文件夹中，然后需要识别的人脸图片test.jpg。我们的工作就是要检测到test.jpg中的人脸，然后判断她到底是候选人中的谁。另外的girl-face-rec.py是我们的python脚本。shape_predictor_68_face_landmarks.dat是已经训练好的人脸关键点检测器。dlib_face_recognition_resnet_model_v1.dat是训练好的ResNet人脸识别模型。ResNet是何凯明在微软的时候提出的深度残差网络，获得了 ImageNet 2015 冠军，通过让网络对残差进行学习，在深度和精度上做到了比

CNN 更加强大。

1. 前期准备

shape_predictor_68_face_landmarks.dat和dlib_face_recognition_resnet_model_v1.dat都可以在这里找到。

然后准备几个人的人脸图片作为候选人脸，最好是正脸。放到candidate-faces文件夹中。

本文这里准备的是六张图片，如下：

她们分别是

然后准备四张需要识别的人脸图像，其实一张就够了，这里只是要看看不同的情况：

可以看到前两张和候选文件中的本人看起来还是差别不小的，第三张是候选人中的原图，第四张图片微微侧脸，而且右侧有阴影。

2.识别流程

数据准备完毕，接下来就是代码了。识别的大致流程是这样的：

3.代码

代码不做过多解释，因为已经注释的非常完善了。以下是girl-face-rec.py

# -*- coding: UTF-8 -*-

import sys,os,dlib,glob,numpy

from skimage import io

if len(sys.argv) != 5:

print "请检查参数是否正确"

exit()

# 1.人脸关键点检测器

predictor_path = sys.argv[1]

# 2.人脸识别模型

face_rec_model_path = sys.argv[2]

# 3.候选人脸文件夹

faces_folder_path = sys.argv[3]

# 4.需识别的人脸

img_path = sys.argv[4]

# 1.加载正脸检测器

detector = dlib.get_frontal_face_detector()

# 2.加载人脸关键点检测器

sp = dlib.shape_predictor(predictor_path)

# 3. 加载人脸识别模型

facerec = dlib.face_recognition_model_v1(face_rec_model_path)

# win = dlib.image_window()

# 候选人脸描述子list

descriptors = []

# 对文件夹下的每一个人脸进行:

# 1.人脸检测

# 2.关键点检测

# 3.描述子提取

for f in glob.glob(os.path.join(faces_folder_path, "*.jpg")):

print("Processing file: {}".format(f))

img = io.imread(f)

#win.clear_overlay()

#win.set_image(img)

# 1.人脸检测

dets = detector(img, 1)

print("Number of faces detected: {}".format(len(dets)))

for k, d in enumerate(dets):

# 2.关键点检测

shape = sp(img, d)

# 画出人脸区域和和关键点

# win.clear_overlay()

# win.add_overlay(d)

# win.add_overlay(shape)

# 3.描述子提取，128D向量

face_descriptor = facerec.compute_face_descriptor(img, shape)

# 转换为numpy array

v = numpy.array(face_descriptor)

descriptors.append(v)

# 对需识别人脸进行同样处理

# 提取描述子，不再注释

img = io.imread(img_path)

dets = detector(img, 1)

dist = []

for k, d in enumerate(dets):

shape = sp(img, d)

face_descriptor = facerec.compute_face_descriptor(img, shape)

d_test = numpy.array(face_descriptor)

# 计算欧式距离

for i in descriptors:

dist_ = numpy.linalg.norm(i-d_test)

dist.append(dist_)

# 候选人名单

candidate = ['Unknown1','Unknown2','Shishi','Unknown4','Bingbing','Feifei']

# 候选人和距离组成一个dict

c_d = dict(zip(candidate,dist))

cd_sorted = sorted(c_d.iteritems(), key=lambda d:d[1])

print "\n The person is: ",cd_sorted[0][0]

dlib.hit_enter_to_continue()

4.运行结果

我们在.py所在的文件夹下打开命令行，运行如下命令

python girl-face-rec.py 1.dat 2.dat ./candidate-faecs test1.jpg

由于shape_predictor_68_face_landmarks.dat和dlib_face_recognition_resnet_model_v1.dat名字实在太长，所以我把它们重命名为1.dat和2.dat。

运行结果如下：

The person is Bingbing。

记忆力不好的同学可以翻上去看看test1.jpg是谁的图片。有兴趣的话可以把四张测试图片都运行下试试。

这里需要说明的是，前三张图输出结果都是非常理想的。但是第四张测试图片的输出结果是候选人4。对比一下两张图片可以很容易发现混淆的原因。

机器毕竟不是人，机器的智能还需要人来提升。

有兴趣的同学可以继续深入研究如何提升识别的准确率。比如每个人的候选图片用多张，然后对比和每个人距离的平均值之类的。全凭自己了。

可采用的机器学习数据集：

两者都包含人脸图像。我把这两个组合成一个文件夹。

最常听到的两种图像生成技术是生成对抗网络（GAN）和LSTM网络。

LSTM训练的时候速度非常慢，GAN训练会快得多。实际结果花不到半小时，模糊的面孔就会开始出现。随着时间的推移，图像会更加逼真。

有许多GAN变种。我使用的一种称为深度卷积神经网络（DCGAN）。DCGAN的优点在于它使用了卷积层。卷积神经网络目前是存在的最佳图像分类算法。

生成对抗网络是由一位名叫Ian Goodfellow的研究员发明的，并于2014年引入了GAN。

GAN非常强大。利用正确的数据，网络架构和超参数，您可以生成非常逼真的图像。

将来，一些高级版本的GAN或其他一些内容生成算法可能会让我们做一些很酷的事情：

但GAN是如何运作的呢？

GAN实际上不是一个神经网络，而是两个。其中之一是Generator。它将随机值作为输入并生成图像。

第二是discriminator。它试图确定图像是假的还是真的。

训练GAN就像一场竞赛。Generator试图在愚弄discriminator时变得尽可能好。discriminator试图尽可能地将假图像与真实图像分开。

这将迫使他们两个都改善。理想情况下，这将在某种程度上导致以下情况：

在现实中，您需要确保一切正常(数据、体系结构、超参数)。GAN对超参数值的微小变化非常敏感。

导入库

第一步是导入所有需要的Python库。

FaceGenerator类

这段Python代码初始化了训练所需的一些重要变量。

将训练数据加载到模型中

此函数将文件夹的名称作为输入，并将该文件夹中的所有图像作为numpy数组返回。所有图像的大小都调整为__init__函数中指定的大小。

Shape=（图像的数量，宽度，高度，通道）。

神经网络

这两个函数定义了generator和discriminator。

神经网络模型训练

对于每个epoch：

训练结束后：

此函数可用于在训练后生成新图像。

训练GAN很难，当你成功时，这种感觉会非常有益。

此Python代码可以轻松用于其他图像数据集。请记住，您可能需要编辑网络体系结构和参数，具体取决于您尝试生成的图像。

---