想像一天早上你站在办公室的玻璃门前，看向门口上方的摄影镜头；约莫数秒後，听见悦耳的人声：
「早安，山姆大叔，祝您有个愉快的一天」
玻璃门打开了，
而同时间，公司後台也默默帮你登记好上班时间纪录...

我知道这不是什麽厉害的技术，只要有钱，什麽都办得到

但假如今天你只要有一个视讯摄影机 + 一腔热血DIY的精神就可以完成，

你是否想过提供自己与周遭人的方便呢？

如果你跟我一样想过要DIY，万丈高楼平地起，先从理解人脸识别开始吧！

本文开始

前面在Day8有提到，人脸识别是找到影像中的人脸 (人脸侦测)後，并且识别出这个人是谁；因此可以简单的说，就是身分认证。

人脸识别通常会需要经过下列两步骤：

1. 侦测出影像中的人脸，框出模型认为的人脸部分 (ROI)
2. 透过一系列的判断，将ROI分类(辨识)为某一个已知的人脸

因此人脸识别需要两阶段来处理，让我们将这两阶段分别再讲仔细点。

侦测出影像中的人脸，框出模型认为的人脸部分 (ROI)

这个在前面一系列人脸侦测 (Face Detection)有提到了，你可以用OpenCV & Dlib方法、神经网路模型、或是现成的平台API；侦测的结果就是边界框 (Bounding Box)。

只是现在我们只完成人脸辨识的第一阶段，这个边界框还要继续处理，

在这里我们可以称呼这个边界框为ROI。

透过一系列的判断，将ROI分类(辨识)为某一个已知的人脸

第一阶段取得的ROIs (通常第一阶段得到的ROI不会只有一个)，我们需要判断：

• ROI之间可能会有重叠的部分，需要判断哪一个ROI最能代表"人脸"
• 将这个"人脸"取出特徵，可能是五官位置、转成RGB色彩空间的值、或是最能代表人脸的部分线条等等，然後与现有的人脸资料库比对，判断这个人脸最像资料库中的哪一个，得到最终识别的结果

要做人脸识别，一样有几种方式可以用。接下来系列我们将介绍 (由技术发展先後排序)：

• Eigenfaces：特徵脸方法
• Local Binary Patterns (LBPs)：局部二值方法
• siamese networks：孪生神经网路
• FaceNet：Google人脸辨识神经网路模型

接下来将依序介绍各个不同的人脸识别方法。