Python人臉識別顯示行程碼

① 關於python人臉識別的問題

應該是沒有找到分類器編碼文件，把 haarcascade_frontalface_default.xml， haarcascade_eye.xml文件放到項目根目錄下，再用cv.CascadeClassifier(path1)， cv.CascadeClassifier(path2)兩個API導入，另python下windows的文件路徑要用 \\ 或者 /

② 行程碼多久需要重新人臉識別一次

行程碼不需要人臉識別。
他是國家政務中心平台推出來的，通過手機號碼的信號源來定位手機軌跡的，疫情當下，現在每個人都有一個健康碼，每個人都綁定了一個固定的手機號碼，手機號碼運行的軌跡就是行程軌跡，所以是不需要人臉識別的。
主要根據信號源來定位的。可以直接輸入要查詢人的手機號，在輸入驗證碼就可以查了。

③ 誰用過python中的第三方庫face recognition

簡介
該庫可以通過python或者命令行即可實現人臉識別的功能。使用dlib深度學習人臉識別技術構建，在戶外臉部檢測資料庫基準（Labeled Faces in the Wild）上的准確率為99.38%。
在github上有相關的鏈接和API文檔。

在下方為提供的一些相關源碼或是文檔。當前庫的版本是v0.2.0，點擊docs可以查看API文檔，我們可以查看一些函數相關的說明等。

安裝配置
安裝配置很簡單，按照github上的說明一步一步來就可以了。
根據你的python版本輸入指令：
pip install face_recognition11

或者
pip3 install face_recognition11

正常來說，安裝過程中會出錯，會在安裝dlib時出錯，可能報錯也可能會卡在那不動。因為pip在編譯dlib時會出錯，所以我們需要手動編譯dlib再進行安裝。

按照它給出的解決辦法：
1、先下載下來dlib的源碼。
git clone

2、編譯dlib。
cd dlib
mkdir build
cd build
cmake .. -DDLIB_USE_CUDA=0 -DUSE_AVX_INSTRUCTIONS=1
cmake --build1234512345

3、編譯並安裝python的拓展包。
cd ..
python3 setup.py install --yes USE_AVX_INSTRUCTIONS --no DLIB_USE_CUDA1212

注意：這個安裝步驟是默認認為沒有GPU的，所以不支持cuda。
在自己手動編譯了dlib後，我們可以在python中import dlib了。
之後再重新安裝，就可以配置成功了。
根據你的python版本輸入指令：
pip install face_recognition11

或者
pip3 install face_recognition11

安裝成功之後，我們可以在python中正常import face_recognition了。

編寫人臉識別程序
編寫py文件：
# -*- coding: utf-8 -*-
#

# 檢測人臉
import face_recognition
import cv2

# 讀取圖片並識別人臉
img = face_recognition.load_image_file("silicon_valley.jpg")
face_locations = face_recognition.face_locations(img)
print face_locations

# 調用opencv函數顯示圖片
img = cv2.imread("silicon_valley.jpg")
cv2.namedWindow("原圖")
cv2.imshow("原圖", img)

# 遍歷每個人臉，並標注
faceNum = len(face_locations)
for i in range(0, faceNum):
top = face_locations[i][0]
right = face_locations[i][1]
bottom = face_locations[i][2]
left = face_locations[i][3]

start = (left, top)
end = (right, bottom)

color = (55,255,155)
thickness = 3
cv2.rectangle(img, start, end, color, thickness)

# 顯示識別結果
cv2.namedWindow("識別")
cv2.imshow("識別", img)

cv2.waitKey(0)
cv2.destroyAllWindows()

注意：這里使用了python-OpenCV，一定要配置好了opencv才能運行成功。
運行結果：
程序會讀取當前目錄下指定的圖片，然後識別其中的人臉，並標注每個人臉。
（使用圖片來自美劇矽谷）

編寫人臉比對程序
首先，我在目錄下放了幾張圖片：

這里用到的是一張喬布斯的照片和一張奧巴馬的照片，和一張未知的照片。
編寫程序：
# 識別圖片中的人臉
import face_recognition
jobs_image = face_recognition.load_image_file("jobs.jpg");
obama_image = face_recognition.load_image_file("obama.jpg");
unknown_image = face_recognition.load_image_file("unknown.jpg");

jobs_encoding = face_recognition.face_encodings(jobs_image)[0]
obama_encoding = face_recognition.face_encodings(obama_image)[0]
unknown_encoding = face_recognition.face_encodings(unknown_image)[0]

results = face_recognition.compare_faces([jobs_encoding, obama_encoding], unknown_encoding )
labels = ['jobs', 'obama']

print('results:'+str(results))

for i in range(0, len(results)):
if results[i] == True:
print('The person is:'+labels[i])

運行結果：

識別出未知的那張照片是喬布斯的。
攝像頭實時識別
代碼：
# -*- coding: utf-8 -*-
import face_recognition
import cv2

video_capture = cv2.VideoCapture(1)

obama_img = face_recognition.load_image_file("obama.jpg")
obama_face_encoding = face_recognition.face_encodings(obama_img)[0]

face_locations = []
face_encodings = []
face_names = []
process_this_frame = True

while True:
ret, frame = video_capture.read()

small_frame = cv2.resize(frame, (0, 0), fx=0.25, fy=0.25)

if process_this_frame:
face_locations = face_recognition.face_locations(small_frame)
face_encodings = face_recognition.face_encodings(small_frame, face_locations)

face_names = []
for face_encoding in face_encodings:
match = face_recognition.compare_faces([obama_face_encoding], face_encoding)

if match[0]:
name = "Barack"
else:
name = "unknown"

face_names.append(name)

process_this_frame = not process_this_frame

for (top, right, bottom, left), name in zip(face_locations, face_names):
top *= 4
right *= 4
bottom *= 4
left *= 4

cv2.rectangle(frame, (left, top), (right, bottom), (0, 0, 255), 2)

cv2.rectangle(frame, (left, bottom - 35), (right, bottom), (0, 0, 255), 2)
font = cv2.FONT_HERSHEY_DUPLEX
cv2.putText(frame, name, (left+6, bottom-6), font, 1.0, (255, 255, 255), 1)

cv2.imshow('Video', frame)

if cv2.waitKey(1) & 0xFF == ord('q'):
break

video_capture.release()
cv2.destroyAllWindows()5455

識別結果：
我直接在手機上網路了幾張圖試試，程序識別出了奧巴馬。

這個庫很cool啊！

④ 如何用pca做人臉識別 python實現.帶客戶端的

基於特徵臉(PCA)的人臉識別方法
特徵臉方法是基於KL變換的人臉識別方法，KL變換是圖像壓縮的一種最優正交變換。高維的圖像空間經過KL變換後得到一組新的正交基，保留其中重要的正交基，由這些基可以張成低維線性空間。如果假設人臉在這些低維線性空間的投影具有可分性，就可以將這些投影用作識別的特徵矢量，這就是特徵臉方法的基本思想。這些方法需要較多的訓練樣本，而且完全是基於圖像灰度的統計特性的。目前有一些改進型的特徵臉方法。


比如人臉灰度照片40x40=1600個像素點，用每個像素的灰度值組成的矩陣代表這個人的人臉。那麼這個人人臉就要1600 個特徵。拿一堆這樣的樣本過來做pca，抽取得到的只是在統計意義下能代表某個樣本的幾個特徵。


人臉識別可以採用神經網 絡深度學習的思路，國內的ColorReco在這邊有比較多的案例。

⑤ 如何用Python實現簡單人臉識別

你可以使用opencv庫提供的人臉識別模塊，這樣子會比較快

⑥ 如何使用Python，基於OpenCV與Face++實現人臉解鎖的功能

近幾天微軟的發布會上講到了不少認臉解鎖的內容，經過探索，其實利用手頭的資源我們完全自己也可以完成這樣一個過程。

本文講解了如何使用Python，基於OpenCV與Face++實現人臉解鎖的功能。

本文基於Python 2.7.11，Windows 8.1 系統。

主要內容

• Windows 8.1上配置OpenCV

• OpenCV的人臉檢測應用

• 使用Face++完成人臉辨識（如果你想自己實現這部分的功能，可以借鑒例如這個項目）

Windows 8.1上配置OpenCV

入門的時候配置環境總是一個非常麻煩的事情，在Windows上配置OpenCV更是如此。

既然寫了這個推廣的科普教程，總不能讓讀者卡在環境配置上吧。

下面用到的文件都可以在這里（提取碼：b6ec）下載，但是注意，目前OpenCV僅支持Python2.7。

將cv2加入site-packages

將下載下來的cv2.pyd文件放入Python安裝的文件夾下的Libsite-packages目錄。

就我的電腦而言，這個目錄就是C:/Python27/Lib/site-packages/。

記得不要直接使用pip安裝，將文件拖過去即可。

安裝numpy組件

在命令行下進入到下載下來的文件所在的目錄（按住Shift右鍵有在該目錄打開命令行的選項）

鍵入命令：

1

pip install numpy-1.11.0rc2-cp27-cp27m-win32.whl

如果你的系統或者Python不適配，可以在這里下載別的輪子。

測試OpenCV安裝

在命令行鍵入命令：

1

python -c "import cv2"

如果沒有出現錯誤提示，那麼cv2就已經安裝好了。

OpenCV的人臉檢測應用

人臉檢測應用，簡而言之就是一個在照片里找到人臉，然後用方框框起來的過程（我們的相機經常做這件事情）

那麼具體而言就是這樣一個過程：

• 獲取攝像頭的圖片

• 在圖片中檢測到人臉的區域

• 在人臉的區域周圍繪制方框

獲取攝像頭的圖片

這里簡單的講解一下OpenCV的基本操作。

以下操作是打開攝像頭的基本操作：

1

2

3

4

5

6

7

#coding=utf8

import cv2

# 一般筆記本的默認攝像頭都是0

capInput = cv2.VideoCapture(0)

# 我們可以用這條命令檢測攝像頭是否可以讀取數據

if not capInput.isOpened(): print('Capture failed because of camera')

那麼怎麼從攝像頭讀取數據呢？

1

2

3

4

5

6

7

8

# 接上段程序

# 現在攝像頭已經打開了，我們可以使用這條命令讀取圖像

# img就是我們讀取到的圖像，就和我們使用open('pic.jpg', 'rb').read()讀取到的數據是一樣的

ret, img = capInput.read()

# 你可以使用open的方式存儲，也可以使用cv2提供的方式存儲

cv2.imwrite('pic.jpg', img)

# 同樣，你可以使用open的方式讀取，也可以使用cv2提供的方式讀取

img = cv2.imread('pic.jpg')

為了方便顯示圖片，cv2也提供了顯示圖片的方法：

1

2

3

4

5

6

# 接上段程序

# 定義一個窗口，當然也可以不定義

imgWindowName = 'ImageCaptured'

imgWindow = cv2.namedWindow(imgWindowName, cv2.WINDOW_NORMAL)

# 在窗口中顯示圖片

cv2.imshow(imgWindowName, img)

當然在完成所有操作以後需要把攝像頭和窗口都做一個釋放：

1

2

3

4

5

# 接上段程序

# 釋放攝像頭

capInput.release()

# 釋放所有窗口

cv2.destroyAllWindows()

在圖片中檢測到人臉的區域

OpenCV給我們提供了已經訓練好的人臉的xml模板，我們只需要載入然後比對即可。

1

2

3

4

5

6

7

8

# 接上段程序

# 載入xml模板

faceCascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

# 將圖形存儲的方式進行轉換

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 使用模板匹配圖形

faces = faceCascade.detectMultiScale(gray, 1.3, 5)

print(faces)

在人臉的區域周圍繪制方框

在上一個步驟中，faces中的四個量分別為左上角的橫坐標、縱坐標、寬度、長度。

所以我們根據這四個量很容易的就可以繪制出方框。

1

2

3

# 接上段程序

# 函數的參數分別為：圖像，左上角坐標，右下角坐標，顏色，寬度

img = cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)

成果

根據上面講述的內容，我們現在已經可以完成一個簡單的人臉辨認了：

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

#coding=utf8

import cv2

print('Press Esc to exit')

faceCascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

imgWindow = cv2.namedWindow('FaceDetect', cv2.WINDOW_NORMAL)

def detect_face():

capInput = cv2.VideoCapture(0)

# 避免處理時間過長造成畫面卡頓

nextCaptureTime = time.time()

faces = []

if not capInput.isOpened(): print('Capture failed because of camera')

while 1:

ret, img = capInput.read()

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

if nextCaptureTime < time.time():

nextCaptureTime = time.time() + 0.1

faces = faceCascade.detectMultiScale(gray, 1.3, 5)

if faces:

for x, y, w, h in faces:

img = cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)

cv2.imshow('FaceDetect', img)

# 這是簡單的讀取鍵盤輸入，27即Esc的acsii碼

if cv2.waitKey(1) & 0xFF == 27: break

capInput.release()

cv2.destroyAllWindows()

if __name__ == '__main__':

detect_face()

使用Face++完成人臉辨識

第一次認識Face++還是因為支付寶的人臉支付，響應速度還是非常讓人滿意的。

現在只需要免費注冊一個賬號然後新建一個應用就可以使用了，非常方便。

他的官方網址是這個，注冊好之後在這里的我的應用中創建應用即可。

創建好應用之後你會獲得API Key與API Secret。

Face++的API調用邏輯簡單來說是這樣的：

• 上傳圖片獲取讀取到的人的face_id

• 創建Person，獲取person_id（Person中的圖片可以增加、刪除）

• 比較兩個face_id，判斷是否是一個人

• 比較face_id與person_id，判斷是否是一個人

上傳圖片獲取face_id

在將圖片通過post方法上傳到特定的地址後將返回一個json的值。

如果api_key, api_secret沒有問題，且在上傳的圖片中有識別到人臉，那麼會存儲在json的face鍵值下。

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

#coding=utf8

import requests

# 這里填寫你的應用的API Key與API Secret

API_KEY = ''

API_SECRET = ''

# 目前的API網址是這個，你可以在API文檔里找到這些

BASE_URL = 'httlus.com/v2'

# 使用Requests上傳圖片

url = '%s/detection/detect?api_key=%s&api_secret=%s&attribute=none'%(

BASE_URL, API_KEY, API_SECRET)

files = {'img': (os.path.basename(fileDir), open(fileDir, 'rb'),

mimetypes.guess_type(fileDir)[0]), }

r = requests.post(url, files = files)

# 如果讀取到圖片中的頭像則輸出他們，其中的'face_id'就是我們所需要的值

faces = r.json().get('face')

print faces

創建Person

這個操作沒有什麼可以講的內容，可以對照這段程序和官方的API介紹。

官方的API介紹可以見這里，相信看完這一段程序以後你就可以自己完成其餘的API了。

1

2

3

4

5

6

7

8

9

10

11

12

13

14

# 上接上一段程序

# 讀取face_id

if not faces is None: faceIdList = [face['face_id'] for face in faces]

# 使用Requests創建Person

url = '%s/person/create'%BASE_URL

params = {

'api_key': API_KEY,

'api_secret': API_SECRET,

'person_name': 'LittleCoder',

'face_id': ','.join(faceIdList), }

r = requests.get(url, params = params)

# 獲取person_id

print r.json.()['person_id']

進度確認

到目前為止，你應該已經可以就給定的兩張圖片比對是否是同一個人了。

那麼讓我們來試著寫一下這個程序吧，兩張圖片分別為』pic1.jpg』, 『pic2.jpg』好了。

下面我給出了我的代碼：

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

def upload_img(fileDir, oneface = True):

url = '%s/detection/detect?api_key=%s&api_secret=%s&attribute=none'%(

BASE_URL, API_KEY, API_SECRET)

if oneface: url += '&mode=oneface'

files = {'img': (os.path.basename(fileDir), open(fileDir, 'rb'),

mimetypes.guess_type(fileDir)[0]), }

r = requests.post(url, files = files)

faces = r.json().get('face')

if faces is None:

print('There is no face found in %s'%fileDir)

else:

return faces[0]['face_id']

def compare(faceId1, faceId2):

url = '%s/recognition/compare'%BASE_URL

params = BASE_PARAMS

params['face_id1'] = faceId1

params['face_id2'] = faceId2

r = requests.get(url, params)

return r.json()

faceId1 = upload_img('pic1.jpg')

faceId2 = upload_img('pic2.jpg')

if face_id1 and face_id2:

print(compare(faceId1, faceId2))

else:

print('Please change two pictures')

成品

到此，所有的知識介紹都結束了，相比大致如何完成這個項目各位讀者也已經有想法了吧。

下面我們需要構思一下人臉解鎖的思路，大致而言是這樣的：

• 使用一個程序設置賬戶（包括向賬戶中存儲解鎖用的圖片）

• 使用另一個程序登陸（根據輸入的用戶名測試解鎖）

這里會有很多重復的代碼，就不再贅述了，你可以在這里或者這里（提取碼：c073）下載源代碼測試使用。

這里是設置賬戶的截圖：

登陸

結束語

希望讀完這篇文章能對你有幫助，有什麼不足之處萬望指正（鞠躬）。

⑦ python人臉識別代碼怎麼寫

檢查cv2是否存在（看報錯）。如果不存在，用pip install cv2安裝。如果存在，請核對代碼是否存在語法錯誤。

⑧ 如何利用python進行精準人臉識別

要調用api介面，建議用face++的，支付寶的人臉識別都是用的這個。可能需要一點費用，不貴，代碼里把fece++的api介面放進代碼就行，還可以可以檢測情緒，年齡等等的。

當然也有其他公司人臉識別的api介面，自己發現吧，其實很多，但基本都不會免費，有的可以試用

⑨ 有一張人臉的側臉圖像，如何用python及相關的庫來計算人臉轉過的角度。

這個很難辦到，不過可以通過判斷關鍵點的特點進行判斷，但是准確率不高
前言
很多人都認為人臉識別是一項非常難以實現的工作，看到名字就害怕，然後心懷忐忑到網上一搜，看到網上N頁的教程立馬就放棄了。這些人里包括曾經的我自己。其實如果如果你不是非要深究其中的原理，只是要實現這一工作的話，人臉識別也沒那麼難。今天我們就來看看如何在40行代碼以內簡單地實現人臉識別。
一點區分
對於大部分人來說，區分人臉檢測和人臉識別完全不是問題。但是網上有很多教程有無無意地把人臉檢測說成是人臉識別，誤導群眾，造成一些人認為二者是相同的。其實，人臉檢測解決的問題是確定一張圖上有木有人臉，而人臉識別解決的問題是這個臉是誰的。可以說人臉檢測是是人識別的前期工作。今天我們要做的是人臉識別。
所用工具
Anaconda 2——Python 2
Dlib
scikit-image
Dlib
對於今天要用到的主要工具，還是有必要多說幾句的。Dlib是基於現代C++的一個跨平台通用的框架，作者非常勤奮，一直在保持更新。Dlib內容涵蓋機器學習、圖像處理、數值演算法、數據壓縮等等，涉獵甚廣。更重要的是，Dlib的文檔非常完善，例子非常豐富。就像很多庫一樣，Dlib也提供了Python的介面，安裝非常簡單，用pip只需要一句即可：
pip install dlib
上面需要用到的scikit-image同樣只是需要這么一句：
pip install scikit-image
註：如果用pip install dlib安裝失敗的話，那安裝起來就比較麻煩了。錯誤提示很詳細，按照錯誤提示一步步走就行了。

人臉識別
之所以用Dlib來實現人臉識別，是因為它已經替我們做好了絕大部分的工作，我們只需要去調用就行了。Dlib裡面有人臉檢測器，有訓練好的人臉關鍵點檢測器，也有訓練好的人臉識別模型。今天我們主要目的是實現，而不是深究原理。感興趣的同學可以到官網查看源碼以及實現的參考文獻。今天的例子既然代碼不超過40行，其實是沒啥難度的。有難度的東西都在源碼和論文里。
首先先通過文件樹看一下今天需要用到的東西：

准備了六個候選人的圖片放在candidate-faces文件夾中，然後需要識別的人臉圖片test.jpg。我們的工作就是要檢測到test.jpg中的人臉，然後判斷她到底是候選人中的誰。另外的girl-face-rec.py是我們的python腳本。shape_predictor_68_face_landmarks.dat是已經訓練好的人臉關鍵點檢測器。dlib_face_recognition_resnet_model_v1.dat是訓練好的ResNet人臉識別模型。ResNet是何凱明在微軟的時候提出的深度殘差網路，獲得了 ImageNet 2015 冠軍，通過讓網路對殘差進行學習，在深度和精度上做到了比
CNN 更加強大。
1. 前期准備
shape_predictor_68_face_landmarks.dat和dlib_face_recognition_resnet_model_v1.dat都可以在這里找到。
然後准備幾個人的人臉圖片作為候選人臉，最好是正臉。放到candidate-faces文件夾中。
本文這里准備的是六張圖片，如下：

她們分別是

然後准備四張需要識別的人臉圖像，其實一張就夠了，這里只是要看看不同的情況：

可以看到前兩張和候選文件中的本人看起來還是差別不小的，第三張是候選人中的原圖，第四張圖片微微側臉，而且右側有陰影。
2.識別流程
數據准備完畢，接下來就是代碼了。識別的大致流程是這樣的：
3.代碼
代碼不做過多解釋，因為已經注釋的非常完善了。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 "請檢查參數是否正確"
exit()
# 1.人臉關鍵點檢測器
predictor_path = sys.argv[1]
# 2.人臉識別模型
face_rec_model_path = sys.argv[2]
# 3.候選人臉文件夾
faces_folder_path = sys.argv[3]
# 4.需識別的人臉
img_path = sys.argv[4]
# 1.載入正臉檢測器
detector = dlib.get_frontal_face_detector()
# 2.載入人臉關鍵點檢測器
sp = dlib.shape_predictor(predictor_path)
# 3. 載入人臉識別模型
facerec = dlib.face_recognition_model_v1(face_rec_model_path)
# win = dlib.image_window()
# 候選人臉描述子list
descriptors = []
# 對文件夾下的每一個人臉進行:
# 1.人臉檢測
# 2.關鍵點檢測
# 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.人臉檢測
dets = detector(img, 1)
print("Number of faces detected: {}".format(len(dets)))
for k, d in enumerate(dets):
# 2.關鍵點檢測
shape = sp(img, d)
# 畫出人臉區域和和關鍵點
# 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)
# 轉換為numpy array
v = numpy.array(face_descriptor)
descriptors.append(v)
# 對需識別人臉進行同樣處理
# 提取描述子，不再注釋
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)
# 計算歐式距離
for i in descriptors:
dist_ = numpy.linalg.norm(i-d_test)
dist.append(dist_)
# 候選人名單
candidate = ['Unknown1','Unknown2','Shishi','Unknown4','Bingbing','Feifei']
# 候選人和距離組成一個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.運行結果
我們在.py所在的文件夾下打開命令行，運行如下命令
python girl-face-rec.py 1.dat 2.dat ./candidate-faecs test1.jpg
由於shape_predictor_68_face_landmarks.dat和dlib_face_recognition_resnet_model_v1.dat名字實在太長，所以我把它們重命名為1.dat和2.dat。
運行結果如下：
The person is Bingbing。
記憶力不好的同學可以翻上去看看test1.jpg是誰的圖片。有興趣的話可以把四張測試圖片都運行下試試。
這里需要說明的是，前三張圖輸出結果都是非常理想的。但是第四張測試圖片的輸出結果是候選人4。對比一下兩張圖片可以很容易發現混淆的原因。
機器畢竟不是人，機器的智能還需要人來提升。
有興趣的同學可以繼續深入研究如何提升識別的准確率。比如每個人的候選圖片用多張，然後對比和每個人距離的平均值之類的。全憑自己了。