这篇博客是对技术研究任务的记录，当时真的是一头雾水，那是刚开始接触机器学习，博客内容是我将研究报告的内容做简单复制粘贴后仍上来的，这个实现是参考一个外国机器学习网站的demo做的功能添加和修改
（原始链接在此 https://www.pyimagesearch.com/2018/07/09/face-clustering-with-python/）感谢其提供了实现聚类的方向
（你也可以参考此链接 http://www.atyun.com/23521.html）
正文
机器学习处理的问题我们可以概括为分类问题和回归问题，这两个都属于监督学习（在大量的已知实例中得到泛化的能力），人脸聚类属于无监督的学习，也就是我们一开始并不知道我们的人脸集中的任何信息（比如有多少个人的人脸，我需要按照什么标准对这些人脸进行区分等等）。实现人脸聚类的大概思路就是，想方法将人脸图片进行编码，将像素点组成的一张图片转变成一个多维的张量（比如矩阵就是个2D张量，或者叫做二维的张量），由于我们得到的张量是根据人脸图片的像素得来的，所以张量中就隐藏着这张人脸的特征信息，接下来，我们采用某个算法（我们使用DBSCAN算法）去将多维中分布的这些点临近的当做一类，以此得到人脸的聚类。简单概括来说，就是两个过程，编码和分类。
在对人脸进行编码时，我们要考虑到一点——一张图片中人脸只是其中一个部分，照我们的聚类实现方式来看，我们应该更关心一张图片中人脸部分的特征，多余的部分（比如衣服，背景等等）将会影响我们的特征提取，因此，我们应该在对图片编码时先识别人脸在图片中的位置，再进行编码时只对人脸部分进行编码（如下图），这样将提高我们的聚类性能。
实现细节
主要说下两部分，一个是人脸识别，一个是聚类算法，先看人脸识别。在人脸识别这块，采用的是python开源的人脸识别库face_recognition，在这里我将进行说明的是，人脸识别是在整个聚类过程中最耗时的部分，尤其是采用CNN进行人脸识别时。当然我们可以跳过人脸识别，而直接对图片进行编码，但是此时，图片中的无关因素将对结果产生巨大影响。
聚类
采用的是scikit-learn库搭建机器学习应用，在该库中，有三种常用的聚类算法，他们分别是K均值聚类、凝聚聚类、DBSCAN。（更多参见https://scikit-learn.org/stable/modules/clustering.html#clustering）
三者都是无监督的聚类算法，但是K均值聚类、凝聚聚类需要我们提供分类的最终类别个数，DBSCAN则不需要提供，但是可以通过调节参数来大概的控制最终的类别个数
特征数据保存
利用python的pickle库，将得到的序列信息保存到文件，我们将采用字典的形式，将每张人脸图片的特征张量和人脸图片路径对应，同时实现不同特征文件之间的结合，从而避免多次的人脸识别和编码过程
对原始图片的操作
程序运行的大量时间都在进行人脸识别（对于一张1024768的图片，若是彩色，则有1024769*3=2,359,296个数需要处理，同时卷积神经网络同时有多个卷积层池化层等等）。所以适当的降低图片分辨率将可以加快程序执行速度（最好是有GPU加持，速度将大大大提高）。所以我们可以考虑在适当范围内降低图片分辨率，来提高速度（当然代价就是降低人脸识别准确率）
这样的结果是否是你需要的？
代码解释
Face-clustering V1.0
目录
1 库介绍 2
1.1 face_recognition 3
1.2 pickle 3
1.3 sklearn 3
1.4 cv2 3
2 项目结构及其功能介绍 3
2.1 dataset/ 3
2.2 dataset_face/ 3
2.3 encode_file/ 3
2.4 add_encode_file.py 3
2.5 check_img_size.py 3
2.6 class_cluster.py 3
2.7 class_encode.py 3
3 详细介绍 3
3.1 class_cluster.py 3
3.1.1 def do_cluster(self,inputfile_path): 3
3.1.2 def do_data_visualization(self,model): 3
3.1.3 def do_data_visualization_3D(self): 3
3.1.4 def do_model_performance(self): 3
3.1.5 def do_show(self): 3
3.2 class_encode.py 3
3.2.1 def do_search_save_face(self,datasetpath,save_face_path,model,save_encode_file_path,num_jitters=1): 4
1 库介绍
1.1 face_recognition
人脸识别库，在项目中用于人脸识别和人脸编码。
1.2 pickle
序列存储库，在项目中用于保存人脸特征文件。
1.3 sklearn
机器学习库，在项目中用于人脸特征聚类
1.4 cv2
opencv的pthon版本，在项目中用于针对图片的操作
2 项目结构及其功能介绍
2.1 dataset/
此处保存着分类的图片原始数据，请将需要分类的图片放在此文件夹下。你也可以自己建立文件夹进行存放。
2.2 dataset_face/
此处保存着在对人脸进行识别后，把原始图片中的人脸部分单独保存下来的图片。你也可以自己建立文件夹进行存放。
2.3 encode_file/
此处保存着对人脸图片进行编码后的特征文件，以.pickle结尾。你也可以自己建立文件夹进行存放。
2.4 add_encode_file.py
这里进行人脸特征文件的合并。
2.5 check_img_size.py
这里进行原始图片的分辨率压缩。
2.6 class_cluster.py
这里对已经保存的人脸特征文件进行聚类。
2.7 class_encode.py
这里执行人脸识别和人脸编码工作。
3 详细介绍
3.1 class_cluster.py
3.1.1 def do_cluster(self,inputfile_path):
inputfile_path：特征文件的路径。
该函数提取特征文件内容，并进行聚类操作。
3.1.2 def do_data_visualization(self,model):
model：使用的人脸识别模型（CNN或HOG），该参数只用于可视化时的模型显示。
该函数做聚类可视化操作，将特征向量降为2D张量
3.1.3 def do_data_visualization_3D(self):
同做聚类可视化，输出3D图像（3D显示没有平面显示明显）。
3.1.4 def do_model_performance(self):
该函数输出聚类的各项指标。
3.1.5 def do_show(self):
该函数将聚类结果和人脸图片结合，显示结果。
3.2 class_encode.py
3.2.1 def do_search_save_face(self,datasetpath,save_face_path,model,save_encode_file_path,num_jitters=1):
datasetpath：原始图像路径。
save_face_path：人脸识别后的人脸部分图片保存路径。
model：使用的人脸识别算法（CNN或HOG）。
save_encode_file_path：特征文件的保存路径。
num_jitters：人脸编码时的采样次数（该值越高，识别越准确，运行越慢，默认为1）。
该函数用来对人脸进行识别和编码，并保存最终的特征文件。
