怎么拍照才好看技巧

如下：

1、拍照多笑

因为不管是什么笑容，都能让你的表情很自然放松，面对镜头的时候不尴尬，所以，如果你什么姿势都不会摆的话，那就让自己在面对镜头的时候，笑起来，让照片有感染力，也自然漂亮。

2、闭上眼睛

很多普通人，之所以拍照不好看，就是因为在拍照的时候，看着镜头拍。而因为看着镜头，很多人都放不开，导致肢体僵硬，表情不自然，这时候，可以让自己闭上眼睛，配合微笑等动作，这样就可以摆脱这些问题，拍照漂亮起来。

3、利用道具

大家日常拍照的时候，可以多利用道具来拍，道具是我们普通人很好的拍照技巧，当你觉得画面太单调，太无聊的时候，可以让自己加上身边的一些道具来互动，可以是帽子、瓶子等等，互动起来很自然，加上道具的颜色，很丰富好看。

4、整理头发

普通女生拍照，一定要懂得利用拍照姿势来散发自己的魅力，比如拍照的时候，手不知道怎么放的话，可以抬手起来，让自己假装整理头发，可以手放头发上，或者撩一撩头发，都能在自然之间散发魅力。

5、只拍局部

普通人拍照，要懂得去避免自己身上的一些缺点，比如觉得自己不够上镜的话，可以局部拍手，突出自己手的美，如果侧颜好看的话，那就直接放大侧颜，只拍自己美美的侧颜，这样就算你再普通，也能拍得很漂亮。

这个很难办到，不过可以通过判断关键点的特点进行判断，但是准确率不高

前言

很多人都认为人脸识别是一项非常难以实现的工作，看到名字就害怕，然后心怀忐忑到网上一搜，看到网上N页的教程立马就放弃了。这些人里包括曾经的我自己。其实如果如果你不是非要深究其中的原理，只是要实现这一工作的话，人脸识别也没那么难。今天我们就来看看如何在40行代码以内简单地实现人脸识别。

一点区分

对于大部分人来说，区分人脸检测和人脸识别完全不是问题。但是网上有很多教程有无无意地把人脸检测说成是人脸识别，误导群众，造成一些人认为二者是相同的。其实，人脸检测解决的问题是确定一张图上有木有人脸，而人脸识别解决的问题是这个脸是谁的。可以说人脸检测是是人识别的前期工作。今天我们要做的是人脸识别。

所用工具

Anaconda 2——Python 2

Dlib

scikit-image

Dlib

对于今天要用到的主要工具，还是有必要多说几句的。Dlib是基于现代C++的一个跨平台通用的框架，作者非常勤奋，一直在保持更新。Dlib内容涵盖机器学习、图像处理、数值算法、数据压缩等等，涉猎甚广。更重要的是，Dlib的文档非常完善，例子非常丰富。就像很多库一样，Dlib也提供了Python的接口，安装非常简单，用pip只需要一句即可：

pip install dlib

上面需要用到的scikit-image同样只是需要这么一句：

pip install scikit-image

注：如果用pip install dlib安装失败的话，那安装起来就比较麻烦了。错误提示很详细，按照错误提示一步步走就行了。

人脸识别

之所以用Dlib来实现人脸识别，是因为它已经替我们做好了绝大部分的工作，我们只需要去调用就行了。Dlib里面有人脸检测器，有训练好的人脸关键点检测器，也有训练好的人脸识别模型。今天我们主要目的是实现，而不是深究原理。感兴趣的同学可以到官网查看源码以及实现的参考文献。今天的例子既然代码不超过40行，其实是没啥难度的。有难度的东西都在源码和论文里。

首先先通过文件树看一下今天需要用到的东西：

准备了六个候选人的放在candidate-faces文件夹中，然后需要识别的人脸testjpg。我们的工作就是要检测到testjpg中的人脸，然后判断她到底是候选人中的谁。另外的girl-face-recpy是我们的python脚本。shape_predictor_68_face_landmarksdat是已经训练好的人脸关键点检测器。dlib_face_recognition_resnet_model_v1dat是训练好的ResNet人脸识别模型。ResNet是何凯明在微软的时候提出的深度残差网络，获得了 ImageNet 2015 冠军，通过让网络对残差进行学习，在深度和精度上做到了比

CNN 更加强大。

1 前期准备

shape_predictor_68_face_landmarksdat和dlib_face_recognition_resnet_model_v1dat都可以在这里找到。

然后准备几个人的人脸作为候选人脸，最好是正脸。放到candidate-faces文件夹中。

本文这里准备的是六张，如下：

她们分别是

然后准备四张需要识别的人脸图像，其实一张就够了，这里只是要看看不同的情况：

可以看到前两张和候选文件中的本人看起来还是差别不小的，第三张是候选人中的原图，第四张微微侧脸，而且右侧有阴影。

2识别流程

数据准备完毕，接下来就是代码了。识别的大致流程是这样的：

3代码

代码不做过多解释，因为已经注释的非常完善了。以下是girl-face-recpy

# -- coding: UTF-8 --

import sys,os,dlib,glob,numpy

from skimage import io

if len(sysargv) != 5:

print "请检查参数是否正确"

exit()

# 1人脸关键点检测器

predictor_path = sysargv[1]

# 2人脸识别模型

face_rec_model_path = sysargv[2]

# 3候选人脸文件夹

faces_folder_path = sysargv[3]

# 4需识别的人脸

img_path = sysargv[4]

# 1加载正脸检测器

detector = dlibget_frontal_face_detector()

# 2加载人脸关键点检测器

sp = dlibshape_predictor(predictor_path)

# 3 加载人脸识别模型

facerec = dlibface_recognition_model_v1(face_rec_model_path)

# win = dlibimage_window()

# 候选人脸描述子list

descriptors = []

# 对文件夹下的每一个人脸进行:

# 1人脸检测

# 2关键点检测

# 3描述子提取

for f in globglob(ospathjoin(faces_folder_path, "jpg")):

print("Processing file: {}"format(f))

img = ioimread(f)

#winclear_overlay()

#winset_image(img)

# 1人脸检测

dets = detector(img, 1)

print("Number of faces detected: {}"format(len(dets)))

for k, d in enumerate(dets):

# 2关键点检测

shape = sp(img, d)

# 画出人脸区域和和关键点

# winclear_overlay()

# winadd_overlay(d)

# winadd_overlay(shape)

# 3描述子提取，128D向量

face_descriptor = facereccompute_face_descriptor(img, shape)

# 转换为numpy array

v = numpyarray(face_descriptor)

descriptorsappend(v)

# 对需识别人脸进行同样处理

# 提取描述子，不再注释

img = ioimread(img_path)

dets = detector(img, 1)

dist = []

for k, d in enumerate(dets):

shape = sp(img, d)

face_descriptor = facereccompute_face_descriptor(img, shape)

d_test = numpyarray(face_descriptor)

# 计算欧式距离

for i in descriptors:

dist_ = numpylinalgnorm(i-d_test)

distappend(dist_)

# 候选人名单

candidate = ['Unknown1','Unknown2','Shishi','Unknown4','Bingbing','Feifei']

# 候选人和距离组成一个dict

c_d = dict(zip(candidate,dist))

cd_sorted = sorted(c_diteritems(), key=lambda d:d[1])

print "\n The person is: ",cd_sorted[0][0]

dlibhit_enter_to_continue()

4运行结果

我们在py所在的文件夹下打开命令行，运行如下命令

python girl-face-recpy 1dat 2dat /candidate-faecs test1jpg

由于shape_predictor_68_face_landmarksdat和dlib_face_recognition_resnet_model_v1dat名字实在太长，所以我把它们重命名为1dat和2dat。

运行结果如下：

The person is Bingbing。

记忆力不好的同学可以翻上去看看test1jpg是谁的。有兴趣的话可以把四张测试都运行下试试。

这里需要说明的是，前三张图输出结果都是非常理想的。但是第四张测试的输出结果是候选人4。对比一下两张可以很容易发现混淆的原因。

机器毕竟不是人，机器的智能还需要人来提升。

有兴趣的同学可以继续深入研究如何提升识别的准确率。比如每个人的候选用多张，然后对比和每个人距离的平均值之类的。全凭自己了。

备用材料：铅笔，橡皮擦，白纸，勾线笔。

1，使用铅笔在白纸上起形，画一个侧面的脸的幅度出来。

2，沿着起形的幅度，勾画出大致的脸部轮廓和嘴唇，鼻翼。

3，进一步画侧脸，画鼻子、眼睛、嘴唇牙齿下巴等部位，完成初步描绘。

4，使用勾线笔沿着刚刚铅笔勾勒出来的初稿重新画一遍。

5，初步用勾线笔勾勒完成后，再对眼球，眼线，睫毛，嘴唇等部位进行颜色加深。

6，最后再用橡皮擦擦掉铅笔勾画的痕迹即可。

轿跑SUV的接踵而至，让还处于特殊时期的我们有些应接不暇。随着汽车市场的不断发展和成熟，车身形式也在发生着改变，各种衍生车型的诞生让我们看到了未来的方向，当然，从中我们也看到了逐渐占据主导的用户需求。对于今天的我们而言，已经不再满足于一成不变的SUV，似乎轿跑和SUV的结合，更对我们的胃口。

对于走上SUV之路仅仅两年时间的一汽-大众而言，到目前为止已经推出了多款SUV车型，而这一次是基于中型SUV探岳而新增的细分车型——探岳X。和探岳、探岳GTE的定位略有不同，探岳X在车系中担当着“形象标杆”的使命，同时作为家族首款轿跑SUV，它显然更偏向于运动化的风格，且定位也更高于探岳。

那么，探岳X，这款被赋予了运动和形象使命的轿跑SUV，到底能不能俘获我们的芳心？

谁说设计不值钱？

虽然不及途观在国内市场的发酵时间那么长，但是探岳的推出也让我们看到了后来者居上的信心。然而作为衍生车型，在全车系武装了R-Line运动套件之后，探岳X的确散发出了与众不同的运动特质，突出了设计感。在采用了大众最新的LOGO之后，探岳X也在车头细节的刻画上花了不少心思，比如贯穿其中的镀铬装饰，以及R-Line专属包围，另外IQLight灯组也是如今探岳X的一大亮点。

转到车身侧面，最重要的显然是它轿跑式的线条设计，客观的说，设计方面不亚于出自同平台的奥迪Q3 Sportback。探岳X的车长来到了4626mm，相比普通版探岳尺寸更长，而轴距则依旧保持在2730mm。在车侧部分我们能够看到R-Line专属标识、R-Line专属19英寸轮毂。除此之外，熏黑处理的轮眉和车侧装饰条也是R-Line版本独有的设计。

探岳X的“侧颜杀”实际上可以延续到车尾，从C柱开始我们能够清晰地看到顶部那条优雅线条的走势。当然，如此惊艳的设计还没有就此结束，探岳X在车尾采用了双尾翼的设计，高低扰流板无疑算得上是其“善始善终”的“神来之笔”。而探岳X还有另外的“点睛之笔”，那就是尾灯内部明显突起的X造型，一旦点亮，不止是辨识度的提高，更是对设计的最好诠释。

以不变应万变？

相比外观大刀阔斧的改变，探岳X车内的变化可以说是微乎其微了，至少布局上依旧保留了我们熟悉的样子。当然，作为在R-Line套件武装下的新车，探岳X自然也少不了进行运动化的重新设计，比如用户可以选择Alcantara座椅，或者双色打孔真皮座椅，而中控面板也有赛车格装饰，以及碳纤维风格可以选择。

至于配置方面，探岳X有液晶仪表、电动尾门、全景天窗、换挡拨片等等，另外在92英寸中控屏内还搭载了众行家智能网联系统，当然包括像自适应巡航、预碰撞安全系统、紧急制动等等安全配置，也预示着在L2级自动驾驶辅助系统的辅佐下，探岳X更是一台安全的轿跑SUV。

对于一台轿跑SUV而言，在空间方面，我们大概率会有两个疑虑，其一是后排头部空间，其二就是行李厢空间。经过身高180cm的本人亲测，在驾驶席同样为我舒适坐姿的前提下，后排腿部空间超过两拳，而头部也有4指的剩余空间，完全不必担心车顶轮廓线条可能带来的影响。至于行李厢空间，目测放下4-5个登机箱也是没有任何问题的，如果需要的话，还可以放倒后排座椅进行扩容。

不完全动态初体验

探岳X作为一台标榜运动性的轿跑SUV车型，多维度的体验方可验证它的运动基因，为此，一汽-大众为我们准备了包括加速测试、麋鹿测试、湿滑路面、越野场地等多个测试项目。（至于道路驾驶体验，后期我们会拿到试驾车单独进行评测）

在加速测试环节，我们的试驾车为380TSI的版本，它搭载了第三代EA888发动机，最大输出功率为220马力，峰值扭矩为350牛米，与之匹配的是7挡双离合变速箱。对于这样一套我们再熟悉不过的动力系统，官方给出的0-100km/h加速时间为76s，那接下来就看我的了……

憋住油门，让转速维持在2500rpm左右“弹射起步”，在指针逼近红区，且快速响应的完成升挡后，探岳X最终0-100km/h的加速测试成绩定格在了8s，相比官方数据慢了04秒，不过由于当天室外温度超过了35摄氏度，所以8s的成绩也是可以接受的了。

转到场地体验环节，其中包括了多个项目，由桩桶组成的赛道更是可以考验车辆极限状态下的表现。全油起步，把探岳X“扔”进第一个回头弯，因为底盘高度和悬架设置偏舒适性的缘故，能够明显感觉到车辆的侧倾，但好在调整转向后，以及车身稳定系统的协同工作，探岳X依旧能够顺利通过。

再次全油加速，此时涡轮表现略有迟滞，变速箱在高温和高速下的表现则中规中矩。弯道前制动，刹车脚感和刹车距离都超过预期的出色。在最后的湿滑路面，紧急制动，即便双手离开方向盘，探岳X的车身稳定系统依旧能够帮助驾驶者保持方向，确保安全。

在最后的越野场地中，来自博格华纳的第五代四驱系统显然是重中之重。探岳X和探岳一样采用了4MOTION四驱系统，正常情况下它会将90-95%的动力输送至前轮，且根据路况自动进行前后轴扭矩分配，而极限状态下，前后轴的动力分配可达到0:100。在测试场地中，我们驾驶着探岳X完成了所有指定项目，不过受限于轮胎的公路特性，一定的打滑也是情理之中的。但，对于探岳X，我们又奢望什么呢？

编辑点评：

曾几何时，更加追求性价比的我们，早已完成了又一轮蜕变。时至今日，不仅要靠品牌和产品力为自己代言，更开始舍得为颜值付出更多。也许，这就是供需关系之间的矛盾开始渐渐和解的表现吧！越来越多的“后浪”对于选车有了新的需求，同时也有了新的理解，也正因为如此，探岳终究变身成为了探岳X！

本文来源于汽车之家车家号作者，不代表汽车之家的观点立场。