在当下网络发达的时代，我们很难抵挡信息的冲击，上班时间总想偷偷刷个微博、看个新闻啥的，才能走在潮流前线嘛！然而此时此刻，最怕老板悄咪咪出现在身后，恐怖指数可以和门外突然出现的班主任相比。

一身冷汗之后，手忙脚乱马上切换屏幕！假装努力工作！但是一切都太晚了，你的小动作都被老板看在眼里、记在心中……

所以，为了躲避老板的监控，日本一程序员自制了一款系统，能识别逐渐朝你走来的老板，并且自动隐藏正在浏览的屏幕。

具体来说，系统使用了基于Keras的神经网络学习辨认人脸，网络摄像头用于判断目标对象是否靠近，并基于判断切换屏幕。以下是论智对这一项目的编译。

任务概述

这一任务的目标是当老板靠近我的时候，屏幕可以自动切换到与工作有关的内容。我和老板的位置大致如下：

从他的座位到我的座位大约有6~7米的距离，这之间只需要4~5秒的时间。所以我必须让系统在几秒内完成一系列动作。

制定策略

首先，让电脑通过深度学习掌握老板的脸。然后，在我的工位上设置一个摄像头，当捕捉到老板的脸时，屏幕可以自动切换。我将这套系统称为“老板感应器”，简直完美！

系统架构

“老板感应器”的简单结构如下：

简单地说就是拍照、辨认、转换屏幕。让我们一步一步的解释。

拍摄人脸照片

在这里，我用的是BUFFALO BSW20KM11BK作为拍摄工具。

你也可以用相机自带的软件进行拍摄，但是考虑到后期的处理，用自制的程序拍摄会更好。同样，因为接下来会处理人脸识别，所以需要把画面切割成只有人脸的部分。所以我用Python和OpenCV捕捉人脸图像。github请私信小编。

结果我得到了比我想象中更清晰的照片。

认出老板的脸

接下来，我们用机器学习分三步识别出老板的面容：

收集照片

首先，我需要收集大量老板的照片用作学习，其中收集方法有三种：

前面两种方法能找到的照片很少，所以我用拍摄视频的方法，再将视频分解成许多照片。

预处理照片

虽然我得到了大量面部图片，但是学习模型并不能达到预期效果。这是因为照片中还有和面部无关的内容，所以我们要裁剪掉无关内容，只留下面部。这里我用到的是ImageMagick。

最终收集到的面部照片如下：

现在要开始让模型学习了！

建立机器学习模型

Keras用来建立卷积神经网络（CNN），TensorFlow用作Keras的后端。如果只用来识别面部，你可以请求类似Computer Vision API的网络API进行图片识别，但是这次我决定自己DIY。

网络的框架如下所示。Keras非常方便，因为它能非常容易地输出这一结构：

____________________________________________________________________________________________________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

目前为止，只要老板出现在摄像机镜头下，系统就能认出他。

切换屏幕

现在，学习过的模型可以认出老板的脸了，下一步就是切换屏幕。首先放一张假装在工作时候的照片，因为我是程序员，所以以下是我的工作常态：

如果想全屏显示这张图片，可以用PyQt。

OK，一切准备就绪。

成品展示

把上面的技术结合在一起，我们的工作就完成了。接下来让我们试验一下。

老板离开了他的座位并向我走来

OpenCV检测到了他的脸然后向模型中输入了图片

屏幕切换成功！

结论

目前我用OpenCV进行面部识别，但是由于OpenCV的准确性不高，我打算尝试一下Dlib提高准确度。我还想试一下自己训练的人脸检测模型。

另外，由于摄像头捕捉到的画面也并不准确，我会对此加以改进。