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：
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：
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：
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」
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」
