亞馬遜云主機(jī)如何搭建人臉識(shí)別?人臉識(shí)別是目前機(jī)器視覺最成功的一個(gè)領(lǐng)域了，有許多的人臉檢測(cè)與識(shí)別算法以及人臉識(shí)別的函數(shù)庫。對(duì)于入門深度學(xué)習(xí)來說，從頭開始一步一步訓(xùn)練出一個(gè)自己的人臉識(shí)別項(xiàng)目對(duì)你學(xué)習(xí)深度學(xué)習(xí)是非常有幫助的，但是在學(xué)習(xí)之前何不用人臉識(shí)別的函數(shù)庫來體驗(yàn)一下快速搭建人臉識(shí)別系統(tǒng)的成就感，也為后續(xù)學(xué)習(xí)提供動(dòng)力。

　　目前人臉識(shí)別的api有曠視、百度等，今天我們使用的是Amazon Rekognition提供的api來搭建人臉識(shí)別，通過這個(gè)api只需要編寫一個(gè)簡(jiǎn)單的python腳本就可以進(jìn)行人臉檢測(cè)和人臉識(shí)別。

　　亞馬遜面部識(shí)別服務(wù)器是一種由亞馬遜公司提供的人臉識(shí)別技術(shù)服務(wù)。它使用深度學(xué)習(xí)算法和人工智能技術(shù)來識(shí)別和分析人臉圖像，可以用于識(shí)別人臉、驗(yàn)證身份、監(jiān)控安全等方面。該服務(wù)可以通過 API 接口進(jìn)行調(diào)用，用戶可以將人臉圖像上傳到亞馬遜的服務(wù)器上進(jìn)行處理和分析，返回識(shí)別結(jié)果。亞馬遜面部識(shí)別服務(wù)器可以應(yīng)用于多個(gè)領(lǐng)域，如安防、金融、零售等，具有廣泛的應(yīng)用前景。

　　一、亞馬遜人臉識(shí)別云主機(jī)：原理與應(yīng)用

　　1、人臉識(shí)別服務(wù)器原理：人臉識(shí)別云主機(jī)主要通過人臉識(shí)別算法和云計(jì)算技術(shù)實(shí)現(xiàn)。在人臉采集階段，攝像頭會(huì)對(duì)人臉進(jìn)行采集和處理，并將數(shù)據(jù)傳輸?shù)皆贫?。在云端，人臉圖像會(huì)被送到人臉識(shí)別算法進(jìn)行處理和比對(duì)，最終生成識(shí)別結(jié)果。同時(shí)，云主機(jī)還可以支持多維度數(shù)據(jù)處理和存儲(chǔ)，如行為識(shí)別、語音識(shí)別和圖像分析等。

　　2、應(yīng)用場(chǎng)景：人臉識(shí)別云主機(jī)可以廣泛應(yīng)用于人機(jī)交互、安防監(jiān)控、金融證券、人員考勤和智慧城市等領(lǐng)域。例如，它可以用于快速準(zhǔn)確地識(shí)別人臉信息，提高安全管理水平，優(yōu)化管理效率和服務(wù)質(zhì)量。

　　3、人臉識(shí)別云主機(jī)優(yōu)點(diǎn)：人臉識(shí)別云主機(jī)具有高效、精準(zhǔn)、便捷和安全等優(yōu)點(diǎn)。與傳統(tǒng)的人臉識(shí)別技術(shù)相比，云主機(jī)可以大大提高數(shù)據(jù)處理速度和存儲(chǔ)容量，降低成本和維護(hù)難度。

　　二、亞馬遜人臉識(shí)別服務(wù)器搭建：

　　1、單人臉檢測(cè)

　　使用Amazon Rekognition之前，我們需要注冊(cè)aws賬戶并安裝boto3函數(shù)庫，在做好準(zhǔn)備之后，我們開始識(shí)別單人臉圖片檢測(cè)。我們先導(dǎo)入函數(shù)庫：

　　import boto3from PIL import Image%matplotlib inlinefrom PIL import Image%matplotlib inline

　　現(xiàn)在我們需要一張我們想要處理的圖片，我們將此圖像發(fā)送到Rekognition API以獲取其圖像識(shí)別結(jié)果?！　≡摮绦蚴侵苯訌谋镜赜?jì)算機(jī)將圖像作為內(nèi)存中的二進(jìn)制文件對(duì)象發(fā)送到Rekogntion，并調(diào)用rekognition.detect_faces()將您的存儲(chǔ)桶和密鑰詳細(xì)信息作為參數(shù),然后從Rekognition的detect_faces函數(shù)獲得所有圖像識(shí)別信息。識(shí)別結(jié)果中不僅包括人臉的邊界位置，還有人臉的年齡估計(jì)、面部情緒、性別等多中信息。

　　下面我們開始人臉對(duì)比，我將一張人臉圖片設(shè)置為我的源圖片，然后通過Rekognition將在目標(biāo)圖片中找到與源圖片最相似的面部。例如在一張有許多人臉的圖片中找到目標(biāo)人臉。我將K-pop團(tuán)體中一個(gè)成員設(shè)為源圖片，然后在她們組合照片中框出目標(biāo)。

　　上述compare_faces的響應(yīng)也將輸出組圖中所有不匹配面的信息，這可能會(huì)很長(zhǎng)，所以我只是通過指定響應(yīng)['FaceMatches']輸出Rekognition找到的匹配。似乎從集體照片中找到了匹配的面部，相似度約為97%。使用邊界框信息，讓我們檢查Rekognition所指的面部是Tzuyu的面部。

　　順便說一下，BoundingBox部分中的值是整個(gè)圖像大小的比率。因此，為了使用BoundingBox中的值繪制框，您需要通過將比率乘以實(shí)際圖像高度或?qū)挾葋碛?jì)算框的每個(gè)點(diǎn)的位置。

　　2、多人臉檢測(cè)識(shí)別

　　現(xiàn)在我們可以從圖片中檢測(cè)和識(shí)別單個(gè)臉部，接下來我們想要識(shí)別出圖片中多個(gè)人臉并標(biāo)記出她們的名字，這樣當(dāng)我們發(fā)送一張Twice的新圖片時(shí)，它可以檢測(cè)每個(gè)成員的面部并顯示他們的名字。為了實(shí)現(xiàn)這一點(diǎn)，我們需要使用亞馬遜的“ 基于存儲(chǔ)的API操作””。此類操作有兩個(gè)特定于亞馬遜的術(shù)語。“集合”是一個(gè)虛擬空間，其中Rekognition存儲(chǔ)有關(guān)檢測(cè)到的面部的信息。使用集合，我們可以“索引”面，這意味著檢測(cè)圖像中的面，然后將信息存儲(chǔ)在指定的集合中。重要的是Rekognition存儲(chǔ)在集合中的信息不是實(shí)際圖像，而是Rekognition算法提取的特征向量。讓我們看看如何創(chuàng)建集合并添加索引。

　　就是這樣簡(jiǎn)單，我們已經(jīng)創(chuàng)建一個(gè)集合并通過ExternalImageId參數(shù)為其賦予字符串“Tzuyu”的值。當(dāng)我們嘗試從新圖片識(shí)別Tzuyu時(shí)，Rekognition將搜索與任何索引面部匹配的面部。未來，人臉識(shí)別云主機(jī)將不斷優(yōu)化人臉識(shí)別算法和云計(jì)算技術(shù)，提高精度和效率，并推出更多基于人工智能的應(yīng)用場(chǎng)景。同時(shí)，它也將引領(lǐng)未來人機(jī)交互的發(fā)展方向，構(gòu)建更加智能、高效和便捷的數(shù)字化社會(huì)。