简评：机器学习小项目，开放所有源码，手把手教你：在你上司靠近你座位时，用人脸识别技术及时屏幕切换。

以下「我」皆代表原作者。本文已获得原作者的授权。

当你工作时，你会浏览一些和工作无关的内容吧？

这时刻如果你老板正好在你身后，我就问你，你尴不尴尬？当然了，你可以用多年训练出的手速飞快的切换屏幕，但是这样往往也欲盖弥彰。

所以，为了防止老板看到我开小差，我创建了一个系统，自动识别他的脸并切换屏幕伪装成工作的样子。深度学习使你能够在老板接近时隐藏屏幕！

具体来说，用 Keras 实现神经网络，认出他的脸，用网络摄像头识别他在接近，然后自动切换屏幕。

任务

任务是当老板接近，自动切换屏幕，具体情况如下：

老板据我 6 ~ 7 米，他离开座位后，4 ~ 5 秒就能到达我的位置，所以我没有什么反应时间来人工切换。

战术

我的战术是「跟踪」。

计算机通过深度学习记住老板的脸
网络摄像机捕捉到他脸
电脑瞬间切换屏幕

完美，我称这个系统为「Boss 反侦察系统」（Boss Sensor）。

系统架构

Boss 反侦察系统的简单系统架构如下：

网络摄像头实施捕捉影像
学习模型侦测，识别捕捉的影像
发现 Boss 来了，实现切换屏幕

实现以上的操作需要如下技术：

面部图像抓取
图像识别
切换屏幕

Ok，开搞。

面部图像抓取

为了抓取图像，我搞了个网络摄像机。

我们通过网络摄像机获取图像，由于我们是用来面部识别的，所以只需要截取脸部这个范围即可。我使用 Python 和 OpenCV 来拍摄脸部图像，代码如下：

BossSensor/camera_reader.py

我获得了比我预期更清楚的图片。

认识 Boss 的脸

接下来，我们使用机器学习，使计算机能够识别老板的脸。我们需要以下三个步骤：

收集图像
预处理图像
构建机器学习模型

让我们一一看看这些怎么实现。

收集图像

我要收集 Boss 各种各样的面部图像，我采取三个方法：

Google 图片
Facebook 上 Boss 的图片
视频截图

但是图片还是太少，样本不够，所以我就用我的网络摄像头盯着老板拍摄，然后截图，得到了足够多的，不同角度的图片。

预处理图像

搞到了好多的图片，用 ImageMagick 可以很轻松的截取头部图片。以下是我的收集：

也许我是世上拥有老板面孔照片最多的人，比他妈还多。

下面要开始让机器学习了。

构建机器学习模型

Keras 用于建立卷积神经网络（CNN）并让 CNN 受训。

TensorFlow 用于 Keras 的后端。如果你只识别面部，你可以调用 Web API 进行图像识别，如 Cognitive Services 中的 Computer Vision API，但是这次我决定自己实现实时性。

网络具有以下架构。Keras很方便，因为它可以轻松地输出架构。

____________________________________________________________________________________________________
Layer (type)                     Output Shape          Param #     Connected to                     
====================================================================================================
convolution2d_1 (Convolution2D)  (None, 32, 64, 64)    896         convolution2d_input_1[0][0]      
____________________________________________________________________________________________________
activation_1 (Activation)        (None, 32, 64, 64)    0           convolution2d_1[0][0]            
____________________________________________________________________________________________________
convolution2d_2 (Convolution2D)  (None, 32, 62, 62)    9248        activation_1[0][0]               
____________________________________________________________________________________________________
activation_2 (Activation)        (None, 32, 62, 62)    0           convolution2d_2[0][0]            
____________________________________________________________________________________________________
maxpooling2d_1 (MaxPooling2D)    (None, 32, 31, 31)    0           activation_2[0][0]               
____________________________________________________________________________________________________
dropout_1 (Dropout)              (None, 32, 31, 31)    0           maxpooling2d_1[0][0]             
____________________________________________________________________________________________________
convolution2d_3 (Convolution2D)  (None, 64, 31, 31)    18496       dropout_1[0][0]                  
____________________________________________________________________________________________________
activation_3 (Activation)        (None, 64, 31, 31)    0           convolution2d_3[0][0]            
____________________________________________________________________________________________________
convolution2d_4 (Convolution2D)  (None, 64, 29, 29)    36928       activation_3[0][0]               
____________________________________________________________________________________________________
activation_4 (Activation)        (None, 64, 29, 29)    0           convolution2d_4[0][0]            
____________________________________________________________________________________________________
maxpooling2d_2 (MaxPooling2D)    (None, 64, 14, 14)    0           activation_4[0][0]               
____________________________________________________________________________________________________
dropout_2 (Dropout)              (None, 64, 14, 14)    0           maxpooling2d_2[0][0]             
____________________________________________________________________________________________________
flatten_1 (Flatten)              (None, 12544)         0           dropout_2[0][0]                  
____________________________________________________________________________________________________
dense_1 (Dense)                  (None, 512)           6423040     flatten_1[0][0]                  
____________________________________________________________________________________________________
activation_5 (Activation)        (None, 512)           0           dense_1[0][0]                    
____________________________________________________________________________________________________
dropout_3 (Dropout)              (None, 512)           0           activation_5[0][0]               
____________________________________________________________________________________________________
dense_2 (Dense)                  (None, 2)             1026        dropout_3[0][0]                  
____________________________________________________________________________________________________
activation_6 (Activation)        (None, 2)             0           dense_2[0][0]                    
====================================================================================================
Total params: 6489634

源码在此奉上：

BossSensor/boss_train.py

到目前为止，我的计算机已经可以认出老板了。

切换屏幕

现在，学习模型已经能够识别老板的脸了，接下来就要切换屏幕了。

这时候，我们要假装在工作。作为一个程序员，我截了张图：

我只是切换屏幕，显示图片。我用 PyQt 把图片全屏化，以下是源码：

BossSensor/image_show.py

现在，万事俱备，只差老板了。

最终产品

一旦我们整合已经验证的技术，我们就完成了。我真的对老板试过了。ԅ(¯﹃¯ԅ)

我老板从他的座位上起身往我这边走：OpenCV 已经检测到面部并将图像输入到学习模型中。

然后我的屏幕瞬间切换，成功！(*ﾉ´□`)ﾉ

源码

你可以下载到全部「Boss 反侦查系统的源码」

BossSensor

总结

这个项目，我结合了从 Web 相机的实时图像采集和面部识别，到使用 Keras 识别我的老板和切换屏幕。

目前，我用 OpenCV 检测面部，但由于 OpenCV 中的面部检测的准确性似乎不太好，我想尝试使用 Dlib 来提高准确性。最后，极光日报靠谱，可以关注一下。

原文：Deep Learning Enables You to Hide Screen when Your Boss is Approaching

欢迎关注

知乎专栏「极光日报」，每天为 Maker 导读三篇英文文章。
微信公众号「极光开发者」（jiguangdev），每周两篇技术向文章。

「如果感到欢乐请你点点赞」