硬件準備就緒，安裝好必要的軟件之後，現在只要按序執行程式就可以， 1 分鐘試玩人臉辨識。坦白說，實情是毋需 1 分鐘已可建立資料和辨識，可見科技超速發展。
「 Face Recognition sample with opencv-python 」程式中，每個程式裡都有解說。要注意的是按照所連接的鏡頭類型，收集和辨識時都要使用不同程式，分別能對應 webcam 及 picam ，檔案名稱上經已註明。本文就以 Webcam 版來解說。
Step 0 ：事前準備（需時： 1 秒）
執行 setup.py 即可建立用來儲存辨識對象的資料庫，只需建立一次即可。示範的資料庫只紀錄了辨識對象的用戶 ID 和姓名，不過當然大家可以加入更多資料，例如性別、聯絡電話等。
Step 1 ：收集人臉（需時：約 10 秒）
每一位使用者，需執行 recordface_webcam.py 一次。程式執行後，會要求輸入辨識對象的名稱（第 25 行），然後辨識對象面對鏡頭，按下「 f 」鍵即會拍攝。程式預設是為每位辨識對象拍下 30 張只有臉部的照片（第 27 行）。過程中，程式先會將擷取到的畫面轉為灰階，然後利用 Haar Cascade 分類器來查看畫面裡有沒有人臉（第 54-55 行），有的話就把人臉的部分儲存在「dataset 」目錄裡（第 61-65 行）。
完成紀錄 30 張人臉照片後，就會將辨識對象的名稱寫入資料庫（第 90 行），並發出一個用戶 ID （第 91 行），作為下一步訓練辨識器時所用的「標籤（ Label ）」。
Step 2 ：訓練辨識器（需時：約 3 秒）
收集了多人的人臉照片後，就執行一次 trainer.py 來訓練辨識器。 OpenCV 提供了多種人臉辨識器可供選用，包括：
- Eigenfaces
- Fisherfaces
- Local Binary Patterns Histograms (LBPH)
今次我們選用 LBPH 人臉辨識器，它的特點是每張人臉照片都會獨立訓練，使用起來比較簡單。程式逐一讀取照片存入儲存一個陣列（Array）（第 46-47 行），另外用一個陣列來儲存這張照片是屬於哪個用戶 ID （標籤）的（第 50 行），然後把這兩個陣列交給 LBPH 人臉辨識器進行訓練（第 58 行），完成後就會得到一個 yml 格式的訓練模型，儲存在「recognizer 」目錄裡（第 59 行）。
Step 3 ：辨識人臉（需時：約 1 秒）
完成訓練後，就可以進入實用階段。 detect_webcam.py 就是即時檢測畫面上的人臉轉換為數據（第 65-66 行），交給 LBPH 人臉辨識器去作比較，找出最接近的用戶 ID （第 70-72 行）。
判斷畫面上的人是否資料庫裡的人就在第 79 行，這個數字就是辨識對象樣貌與紀錄資料「有多接近」，所以是愈小愈準確的。如果這個「距離」夠近的話，就會視為成功辨識，會出現 Step 1 裡所輸入的用戶名稱。大家還可以在第 86-90 行之間插入其他動作，例如寄封電郵，或是像第 87 行一樣打開門鎖。
進階篇：用多線程來提升辨識效能
到這裡大家可能對辨識效率不太滿意，為甚麼每秒只辨識 5 次那麼少（第 33 行）？嘗試調高這個數字就會發現 Raspberry Pi 4 似乎應付不了更頻密的辨識。這是因為 detect_webcam.py 是以單線程來執行，效率不太好的原故。
以生活中的攝影館比喻作 CPU ，若只有一個人負責拍攝、轉換相片檔案，再將相片發送至客戶，三個動作由同一個人負責，如此一來每單生意就需要 10 分鐘完成，看似沒有問題，但若全班同學 30 人均需拍照，那麼就需要 300 分鐘，而且這位負責人會非常忙碌。若將他的工作分為三個人，拍攝者、轉換相片檔案者，以及電郵發送者，就可縮短時間，而且由於不需轉換空間等工作，於時間和效率上均會大幅提升。前者由一個人執行所有工作就是單線程，將工作交由更多人分工就是多線程。
在「 Face Recognition sample with opencv-python 」程式中有個「 threading 」目錄裡，就收錄了 detect_webcam.py 的多線程版本「 detect_main.py 」，它把從 webcam 擷取畫面和辨識人臉的工作分別交給「 Capturer.py 」和「 Detector.py 」兩個人（模組）去處理，效能就能提高了。大家不妨一試。
人臉辨識平民化時代來臨
本習作既是迎接學習 AI 時代，畢竟 AI 發展多年，亦因此 AI 技術很成熟。本文所示範的僅是基礎人臉辨識技術，所使用的硬件甚至比不上高階智能電話，但效能已十分顯著。簡單而言，現在可在不知不覺中進行人臉辨識，至於如何應用在於執行者，若只是應用學習而非研究，也並不是太困難的事。最後再次鳴謝 Mickey 提供程式及技術講解。
延伸閱讀
https://www.pcmarket.com.hk/2019/10/02/ai%e5%b9%b3%e6%b0%91%e5%8c%96-1%e5%88%86%e9%90%98%e8%a3%bd%e4%ba%ba%e8%87%89%e8%be%a8%e8%ad%98-%e4%b8%80-%e5%99%a8%e6%9d%90%e7%af%87/
https://www.pcmarket.com.hk/2019/10/05/ai-%e5%b9%b3%e6%b0%91%e5%8c%96-1%e5%88%86%e9%90%98%e8%a3%bd%e4%ba%ba%e8%87%89%e8%be%a8%e8%ad%98-%e4%ba%8c-%e8%bb%9f%e4%bb%b6%e7%af%87/