有的浏览器设置了boss按键，手快的人还可以切换屏幕，不过总会显得不自然，而且经常搞的手忙脚乱的。
一个日本程序员决定自己动手，编写一个一劳永逸的办法，我们来看看他是怎么实现的吧~
思路很直接：用网络摄像头自动识别在工位通道走过的人脸，如果确认是老板的话，就用一张写满了代码的截图覆盖到整个屏幕上。
整个工程中应用了Keras深度学习框架来建立识别人脸的神经网络，和一个网络摄像头用来捕捉老板的人脸。
任务是这样的
当老板接近我的工位时，电脑就会自动切换屏幕
办公室的情况如下：
从老板的座位到我的座位大约6~7米，他会在离开座位后4到5秒钟到达我的座位，因此，需要在这之前隐藏屏幕，所以时间比较紧迫。
策略
首先需要让电脑完成对老板面部的深度学习。然后在我的办公桌上摆上一个网络摄像头，让摄像头对着通道，当网络摄像头捕捉到老板的脸时就切换屏幕。
嗯，这是一个完美的项目。先取一个好名字，就叫Boss Sensor（老板探测器）好了。
Boss Sensor的简单结构图如下：
处理过程分为三步：
- 网络摄像头实时拍摄图像
- 学习模型检测和识别所拍摄图像的人脸
- 如果识别结果是老板则切换屏幕
所需要的技术实现只有三项：
- 拍摄人脸图像
- 识别人脸图像
- 切换屏幕
一步步完成之后整合就可以了。
拍摄人脸图像
首先找一个网络摄像头，我用的是BUFFALO BSW20KM11BK摄像头，大家随便找个清晰度够的就可以了。
最好不要用相机自带的识别软件裁剪人脸，因为后面的深度学习过程还需要处理。所以，我用Python和OpenCV编写了一段裁剪人脸图像的脚本，代码在这里下载：
https://github.com/Hironsan/BossSensor/blob/master/camera_reader.py
偷拍到的人脸图像比我之前设想的更清楚▼
识别人脸图像
接下来，要用机器学习教会电脑识别老板的脸。
我们需要以下三个步骤：
- 采集图像
- 图像预处理
- 建立机器学习模型
让我们一个接一个看一下。
采集图像
首先，需要收集大量的图片供电脑学习。一般来说有三种大量收集图片的方法：
- 谷歌图片搜索
- Facebook的图像采集
- 从视频里截图
一开始，我像电影里的特工一样收集了各种搜索引擎上的老板照片，还有Facebook上老板自己上传的照片，但说实话，没有收集到足够的图像。所以，反正老板就在身边，我就简单粗暴的拍摄了一段他的视频，然后把视频分解成大量的图像。
图像预处理
现在我有很多人脸图像了，但还不能拿它们来建立学习模型，必须要裁剪掉与脸部不相关的部分。
我使用ImageMagick来提取人脸，你可以用别的图像软件来做。
总之，最后我收集了大量的人脸图像，就像这样: ▼
估计我是全世界拥有最多老板头像的人了，肯定比他爸爸妈妈要多的多。
现在可以准备机器学习了。
建立机器学习模型
Keras框架用来建立卷积神经网络和神经网络培训。Tensorflow用来写Keras的后端。如果只识别脸部的话，可以调用一些Web API比如微软的Computer Vision API，但这次我决定自己来实现，因为这个项目需要确保实时性。
网络体系结构大体如下，Keras非常方便，它可以很轻松的输出这样的结构: ▼
代码在这里下载：
https://github.com/Hironsan/BossSensor/blob/master/boss_train.py
至此，只要老板出现在摄像头中，我就可以识别出他来了。
切换屏幕
最后一步，很简单，学习模型识别出老板的脸之后，把电脑屏幕换掉就好了。
我是程序员，所以我准备了这样一张图：▼
电脑上只显示这张图片，这样就可以假装我在认真工作了。
这张图需要全屏显示，所以我调用了PyQt库，代码在这里下载：
https://github.com/Hironsan/BossSensor/blob/master/image_show.py
一切工作都完成了。
成品
最后把分别实现的技术整合起来并验证，真的成功了！
“现在老板离开了座位，正走向我的工位。”▼
“OpenCV已经检测出人脸，将人脸图像发送给学习模型。”▼
“学习模型认出了他，屏幕自动切换。ヽ(‘ ∇‘ )ノ”▼
总结 结合网络摄像头的实时图像采集和Keras深度学习框架，确实可以完成人脸识别。 在实践过程中，我发现OpenCV的图像精度不够高，虽然不影响识别，但我准备改用Dlib来提高精度，另外我想自己编写人脸检测训练模型。 网络摄像头获取的图像不够清晰，我准备换个摄像头。
源码下载：<a href='https://github.com/Hironsan/BossSensor'>https://github.com/Hironsan/BossSensor
