想像一天早上你站在辦公室的玻璃門前，看向門口上方的攝影鏡頭；約莫數秒後，聽見悅耳的人聲：
「早安，山姆大叔，祝您有個愉快的一天」
玻璃門打開了，
而同時間，公司後台也默默幫你登記好上班時間紀錄...

我知道這不是什麼厲害的技術，只要有錢，什麼都辦得到

但假如今天你只要有一個視訊攝影機 + 一腔熱血DIY的精神就可以完成，

你是否想過提供自己與周遭人的方便呢？

如果你跟我一樣想過要DIY，萬丈高樓平地起，先從理解人臉識別開始吧！

本文開始

前面在Day8有提到，人臉識別是找到影像中的人臉 (人臉偵測)後，並且識別出這個人是誰；因此可以簡單的說，就是身分認證。

人臉識別通常會需要經過下列兩步驟：

1. 偵測出影像中的人臉，框出模型認為的人臉部分 (ROI)
2. 透過一系列的判斷，將ROI分類(辨識)為某一個已知的人臉

因此人臉識別需要兩階段來處理，讓我們將這兩階段分別再講仔細點。

偵測出影像中的人臉，框出模型認為的人臉部分 (ROI)

這個在前面一系列人臉偵測 (Face Detection)有提到了，你可以用OpenCV & Dlib方法、神經網路模型、或是現成的平台API；偵測的結果就是邊界框 (Bounding Box)。

只是現在我們只完成人臉辨識的第一階段，這個邊界框還要繼續處理，

在這裡我們可以稱呼這個邊界框為ROI。

透過一系列的判斷，將ROI分類(辨識)為某一個已知的人臉

第一階段取得的ROIs (通常第一階段得到的ROI不會只有一個)，我們需要判斷：

• ROI之間可能會有重疊的部分，需要判斷哪一個ROI最能代表"人臉"
• 將這個"人臉"取出特徵，可能是五官位置、轉成RGB色彩空間的值、或是最能代表人臉的部分線條等等，然後與現有的人臉資料庫比對，判斷這個人臉最像資料庫中的哪一個，得到最終識別的結果

要做人臉識別，一樣有幾種方式可以用。接下來系列我們將介紹 (由技術發展先後排序)：

• Eigenfaces：特徵臉方法
• Local Binary Patterns (LBPs)：局部二值方法
• siamese networks：孿生神經網路
• FaceNet：Google人臉辨識神經網路模型

接下來將依序介紹各個不同的人臉識別方法。