播一条广告，基于深度学习医药保险命名实体识别设计与实现(tensorflow+nlp+dl+python)，源自数十万预算级项目实践经验，目前已经直播三次，剩下两次于4月28日、29日晚上八点半精彩继续，目前限时免费加入，欢迎大家添加课程小助手咨询。
来自：极光日报
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」。
1. 计算机通过深度学习记住老板的脸
2. 网络摄像机捕捉到他脸
3. 电脑瞬间切换屏幕
Boss Sensor
完美，个人称这个系统为【Boss 反侦察系统】
系统架构
Boss 反侦察系统的简单系统架构：
具体如下
· 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
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，代码在下方哦！别心急！
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。
以下是代码
__________________________________________________________________________________________________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
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
你可以下载到全部「Boss 反侦查系统的源码」
BossSensor
（https://github.com/Hironsan/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。
原文：Deep Learning Enables You to Hide Screen when Your Boss is Approaching