网上关于facenet以及Mtcnn原理的博客有很多，本文便不再赘述，如果有不明白的可以参考该博客http://www.uml.org.cn/ai/201806124.asp。
本文更多的是帮助大家使用facenet以及Mtcnn 实现人脸识别功能，这里我们利用的是Github上的一个开源项目，项目链接：https://github.com/davidsandberg/facenet
解压后得到facenet文件夹，我们把它放到主目录下，方便使用，如图：
值得注意的是如果单单git该项目的话，并不能实现功能我们还要下载其附带的预训练模型：
这里的资源是需要连接外网的，有篇博客提供了国内资源下载：https://pan.baidu.com/share/init?surl=LLPIitZhXVI_V3ifZ10XNg
密码：12mh。下载后我们会得到一个20170512-110547的压缩文件，解压后放入之前的facenet文件夹，这里我用到的是20180402-114759，不过并不影响。
到这里我们的一切项目准备工作就已经完成了，接下来我们按步骤进行。
1.给代识别的人脸建造数据库
在facenet文件夹中新建文件夹test_imgs，在文件夹下创建若干个文件夹存放若干个人的照片，形如：
每个文件夹下的照片具体是多少并没有严格要求，但是不能太少，10张以上是必须的，不然SVM分类的准确率会下降。
2.对已经建好的数据库的图片进行Mtcnn和剪裁处理
在运行之前我们要先配置python路径,在终端以此输入：
export PYTHONPATH=~/facenet/src/align
export PYTHONPATH=~/facenet/src
如果依然报缺少模块错误，就将二者顺序反一下输入，注意此处每打开一次终端就得重新输入一次，想要彻底解决，需要修改配置文件，具体见下文，接下来开始处理：
因为训练网络里所用到的图片的大小均为160x160像素，所以我们要将图片处理成对应像素，并利用Mtcnn将图片中的人脸剪裁出来。这里我们用到的代码是位于facenet/src/align中的align_dataset_mtcnn.py,具体使用方法如下。
1.进入align_dataset_mtcnn.py所在的文件夹。
2.执行上述指令，参数解析：（1）.py文件（2）待处理的人脸数据库绝对路径（3）处理后的人脸数据库路径，此处给出就好，具体将由程序代码自动生成（4）--image_size 160 图像尺寸 （5）在Mtcnn检测得到的人脸的基础上缩小32像素。
执行后我们产生了如图所示的文件夹test_imgs_160:
3.利用处理好的数据库进行SVM分类，产生.pkl文件
此处我们用到了位于/facenet/src中的classifier.py文件具体使用如下图。
1.进入classifier.py所在的文件夹，已在则忽略
2.运行上述命令，参数解析（1）.py文件 （2）模式选择，仔细看源码我们发现，有两种模式可供选择，这里我们选择TRAIN（训练模式）（3）待分类的人脸数据库（4）之前下载的模型，这里要替换成所下载的版本，我的是20180402-114759。（5）pkl文件所在的位置及名字，此处同样给出就好，代码会自动创建。
4.修改原项目自带的模型文件，以及.pkl文件
1.进入/facenet/contributed，打开face.py文件。
2.修改选中部分为自己的模型文件以及.pkl文件，并保存。
5.调用代码实现时实人脸识别
在facenet/contributed文件夹下运行real_time_face_recognization.py文件即可查看效果。
/----------------------------------------------------------------------------------------------------------------------------------------------------------------/
文章截止到这里就已经可以实现基本的人脸识别效果，以下内容为自己修改部分。
1.解决需要重复导入python路径问题：
回到主目录打开配置文件：
在文件最下面添加：
保存文件。
注意要根据自己的实际情况对路径作出修改！
2.原有的项目仅能对数据库中的人进行识别，而未在数据库中的人物也能识别，不符合我们的需求，所以我们对阈值做了修改
打开上文提到的face.py文件
添加a = unknow，修改阈值，如果分类的预测率 小于 设定阈值，则返回 a.
