老闆給了你1000張美女model照片，讓你選5位出來參加展會，請問你如何選

A：我會嗖嗖嗖過一遍，然後隨機挑5張順眼的。

紫薯：還不如讓老闆隨機選順眼的。 

B：開個小組會，集合大家的意見選5個最漂亮的。

紫薯：你真不在乎老闆想看到哪幾位美女麼？

C：隨機選5個身材滿足標準、容貌可佳的就可以了。

紫薯：你的決策也很隨機哇。

紫薯覺得：我們需要考慮老闆最喜歡長成什麼樣的女生，需要知道來看臺的客戶對美女的偏好，要知道哪些美女的長相與產品、場景更相配。

所以...最好還是用上圖像識別技術，讓“萬能”的算法幫你搞定，不然搞完這些保證你看到美女就想吐。

爲了簡單起見，這裏只考慮老闆喜好這一個因素。因爲無論因素多少，我們只需要確定一個標準美女便可。

紫薯的解決方案：

第一步：紫薯：“老闆，你覺得哪個明星最漂亮？” 老闆：“ 孫儷”。

第二步：小叔花了3秒鐘找了張孫儷姐姐的照片

第三步：又花了3秒鐘把自己的那套人臉識別、人臉相似度匹配的軟件程序打開。(mac pro,)

第四步：跑程序自動匹配從1000張原始圖片中摳出人臉結果，花了30分鐘，這期間我喝了個茶看看了遠處的風景。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

...... modelin/1 (9)(8).jpg modelin/1 (9)(9).jpg modelin/1 (9).jpg modelin/Alyson-Hannigan-5.jpg modelin/Alyson_Hannigan_200512.jpg modelin/fangbingbing.jpg modelin/gaoyuanyuan.jpg modelin/libingbing.jpg modelin/linqingxia.jpg modelin/linzhiling.jpg modelin/liushishi.jpg modelin/liuyifei.jpg modelin/lizhi.jpg modelin/Miley-Cyrus-Photos.jpg modelin/Screenshot at Dec 11 22-10-55.png modelin/shuwei.jpg modelin/tangwei.jpg modelin/zhangmanyu.jpg detect 1015 faces, cost 1777.025725 seconds! /////耗時

下面是給每張圖片打分，733張有效人臉，耗時35s：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

...... 圖片名稱:[1 (9)(7)face.jpg], 與目標圖片相似度=[74] 圖片名稱:[1 (9)(8)face.jpg], 與目標圖片相似度=[64] 圖片名稱:[1 (9)(9)face.jpg], 與目標圖片相似度=[66] 圖片名稱:[1 (9)face.jpg], 與目標圖片相似度=[54] 圖片名稱:[Alyson-Hannigan-5face.jpg], 與目標圖片相似度=[52] 圖片名稱:[Alyson_Hannigan_200512face.jpg], 與目標圖片相似度=[46] 圖片名稱:[gaoyuanyuanface.jpg], 與目標圖片相似度=[44] 圖片名稱:[libingbingface.jpg], 與目標圖片相似度=[42] 圖片名稱:[linqingxiaface.jpg], 與目標圖片相似度=[58] 圖片名稱:[linzhilingface.jpg], 與目標圖片相似度=[56] 圖片名稱:[liushishiface.jpg], 與目標圖片相似度=[44] 圖片名稱:[liuyifeiface.jpg], 與目標圖片相似度=[44] 圖片名稱:[lizhiface.jpg], 與目標圖片相似度=[54] 圖片名稱:[Miley-Cyrus-Photosface.jpg], 與目標圖片相似度=[44] 圖片名稱:[Screenshot at Dec 11 22-10-55face.jpg], 與目標圖片相似度=[56] 圖片名稱:[tangweiface.jpg], 與目標圖片相似度=[44] 圖片名稱:[zhangmanyuface.jpg], 與目標圖片相似度=[48] detect 733 faces, cost 35.284538999999995 seconds!//////耗時

前五名的結果出來了

1 2 3 4 5

圖片名稱: (52)face.jpg , 與目標圖片相似度= 94 圖片名稱: 0 (142)face.jpg , 與目標圖片相似度= 94 圖片名稱: 1 (27)face.jpg , 與目標圖片相似度= 94 圖片名稱: 1 (26)(5)face.jpg , 與目標圖片相似度= 92 圖片名稱: 1 (2)face.jpg , 與目標圖片相似度= 92

第五步：又花了3秒鐘，5位絕色美女的照片被髮到老闆面前，而這五位都是老闆最喜歡的。

 

以下進入高能編碼區。

介紹下程序實現方法原理：

首先遍歷文件夾下所有圖片，識別其面部區域，並摳圖保存。

主要使用opencv的人臉識別算法，有興趣的可以瞭解下haar特徵，核心代碼如下：

1 2 3 4 5 6 7 8

start = time.clock() for file in files: ##mac系統，刪除SD_Store隱藏文件     if 'DS_Store' in file:         continue     print ('modelin/'+file)     outFaces('modelin/'+file,file[:-4]) print ("detect %d faces, cost %s seconds!" % (len(files),time.clock()-start))

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

def detectFaces(image_path):     img = cv2.imread(image_path)       face_cascade = cv2.CascadeClassifier("cvdata/haarcascades/haarcascade_frontalface_default.xml")     if img.ndim == 3:         gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)     else:         gray = img        faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=3, minSize=(10,10),                                      flags=cv2.CASCADE_SCALE_IMAGE)     result = []     for (x,y,width,height) in faces:         result.append((x,y,x+width,y+height))     return result

圖像識別最常用的是通過顏色特徵判斷。圖片相似性主要通過比較漢明距離來確定。像手指一樣，每張圖片也有自己的圖像指紋，它是由一組哈希算法運算後得到的二進制結果。所謂漢明距離，便是一組二進制數據變成另一組二進制數據所需步驟。兩張相同的圖片，漢明距離便是0.

 

遍歷摳出的面部區域文件夾，使用pHash(感知哈希算法)進行圖片指紋的對比：

1 2 3 4 5 6 7

for fname in files:     image2 = Image.open('modelout/'+fname)     score = classify_DCT(imageStand,image2)     dicAll[fname] = score     print ("圖片名稱:[%s], 與目標圖片相似度=[%d]" % (fname,(100-score)))       print ("detect %d faces, cost %s seconds!" % (len(files),time.clock()-start))

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

def simmilar_people(image1,image2,size=(32,32),part_size=(8,8)):       assert size[0]==size[1],"size error"     assert part_size[0]==part_size[1],"part_size error"       image1 = image1.resize(size).convert('L').filter(ImageFilter.BLUR)     image1 = ImageOps.equalize(image1)     matrix = get_matrix(image1)     DCT_matrix = DCT(matrix)     List = sub_matrix_to_list(DCT_matrix, part_size)     middle = get_middle(List)     code1 = get_code(List, middle)         image2 = image2.resize(size).convert('L').filter(ImageFilter.BLUR)     image2 = ImageOps.equalize(image2)     matrix = get_matrix(image2)     DCT_matrix = DCT(matrix)     List = sub_matrix_to_list(DCT_matrix, part_size)     middle = get_middle(List)     code2 = get_code(List, middle)       return comp_code(code1, code2)

 

小決策，大學問。

此項目代碼已經開源。但是千張美女圖片因怕涉嫌傳播**...，所以不敢亂放。