人类只需要很短的时间，就可以记住一个人的样子，并在下次遇到他（她）的时候说出这个人的名字。但是对计算机来说，像人类一样识别人脸是很困难的任务。在深度学习之前，有很多技术尝试让计算机实现“识别”人脸的功能，但是效果都差强人意。现在在深度学习的支持下，人脸识别取得了巨大的成功，已经广泛应用于各类场景。例如，在金融支付领域，已经在越来越多地使用人脸识别技术，误差达到了亿分之一的水平。

那么人脸识别是如何做到的呢？人类是通过提取不同的个体所对应的人脸的特征后，根据这些特征进行识别。特征是学习过程中的重要概念，是一个对象区别于其他对象的地方，任何“识别”都需要通过找到这些“特征”才能完成。

例如，对于汽车来说，车标就是最好的特征之一，通过车标可以快速识别出它是什么品牌。进一步，如果想获得车辆的具体型号，就需要更深层的特征，例如：

①车的形状；

②车的发动机和排量；

③车的其他参数等。

一般地，用来进行识别的特征需要满足下述特点。

①能够区分不同的对象；

②容易提取；

③容易比对。

例如，区分不同的人，一个常用的方法是识别他们的指纹特征。指纹特征包括分叉数量、分叉点、指纹形状等，这些特征，用指纹采集器瞬间就可以确定。指纹能够区分不同的人，同时在采集器地支持下容易提取也容易比对。也就是说，指纹是满足上述特点的“特征”。

在人脸识别这样的任务中，人脸的特征是什么？有些非常简单的特征，例如：

①眼睛数量：2；

②鼻子数量：1；

③眼睛连线与鼻子中线垂直。

但绝大多数人的这些特征是相同的，所以此类特征并不足以区分两个人。如何挖掘更深层次的人脸特征呢？在使用深度学习之前，直方图以及基于直方图的特征使用得较为广泛，而且基于直方图的识别方法现在仍然在行业中使用。下面给出直方图的定义和说明。

直方图是统计中经常使用的图表之一，英文叫作Histogram，也叫作质量分布图，是由统计学家卡尔·皮尔逊首先提出的。

直方图使用一系列高度不等的纵向条纹或线段描述数据的分布情况。一般用横轴表示数据区间，纵轴表示分布情况。它是一种精确地描述数值型数据分布的图形表示方法。

构建直方图可遵循如下步骤。

①将数据的取值范围进行划分，分成一系列相连的区间，注意划分完毕的区间的长度通常是（但这不是必需的）相等的；

②计算取值落在相应区间中的数据的条数；

③该区间的纵轴坐标表示取值数量的占比，即

下面以一个班级某门考试的成绩作为例子来熟悉直方图的构建方法，所使用的数据如表8-1所示。

表8-1 成绩分布

可以看到，成绩分布在60到100之间，假设学校按照如下方式划分成绩的等级。

优：90～100；

良：80～89；

中：70～79；

及格：60～69。

这相当于将[60，100]这个区间划分成了4个小区间。接下来用直方图来观察数据的分布情况。读者可以先自己动手统计，然后学习用Python来生成直方图（图8-1）。

In[1]：import pandas as pd

#导入pandas 模块

In[2]：data=pd.read_excel（'grade.xlsx'，header=0）

In[3]：data.shape

Out[3]：（20，2）

In[4]：data['成绩'].hist（bins=4）

#指定成绩所在列的数据是分析对象，bins的含义是把指定数据分成几部分

图8-1 成绩分布直方图

该直方图反映了这个班级的成绩的重要特征。

想象这样的场景：某一所学校对不同的班级，都建立了类似的直方图。在考试之后，如果学校依据成绩对班级进行分类，则教务处只需要使用4个参数（优、良、中、及格各自的数量），就可以对不同班级的学习状况进行大致的分类了，而无须比较每个班级所有同学的考试成绩。当然如果采用上述划分方式后，有两个班级成绩分布相同，那么这4个参数就不足以区分这两个班级，需要进一步挖掘更细致的特征。

一般的人脸识别是通过采集到的人脸照片来进行识别的，对于一张含有人脸的图片，可以使用它的颜色分布（或者灰度分布）作为数据生成直方图，而不同的人脸颜色数据对应的直方图一般是不同的，这样就可以区分不同的人脸了，第二节将会更详细地介绍如何使用这种方法区分人脸。