現在模型訓練已經完成，只需要一個預測函式判斷拍攝的照片是否是boss即可，在boss_train.py裡的Model新增predeict實現函式。

 def predict(self, image):
        # 依然是根據後端系統確定維度順序
        if K.image_dim_ordering() == 'th' and image.shape != (1, 3, IMAGE_SIZE, IMAGE_SIZE):
            image = resize_with_pad(image)                          #尺寸必須與訓練集一致都應該是IMAGE_SIZE x IMAGE_SIZE
            image = image.reshape((1, 3, IMAGE_SIZE, IMAGE_SIZE))   #與模型訓練不同，這次只是針對1張圖片進行預測
        elif K.image_dim_ordering() == 'tf' and image.shape != (1, IMAGE_SIZE, IMAGE_SIZE, 3):
            image = resize_with_pad(image)
            image = image.reshape((1, IMAGE_SIZE, IMAGE_SIZE, 3))
        # 浮點並歸一化
        image = image.astype('float32')
        image /= 255
        # 給出輸入屬於各個類別的概率，我們是二值類別，則該函式會給出輸入影象屬於0和1的概率各為多少
        result = self.model.predict_proba(image)
        print(result)
        # 給出類別預測：0或者1
        result = self.model.predict_classes(image)
        # 返回類別預測結果
        return result[0]
 

以下是最終的實現程式碼：

# -*- coding:utf-8 -*-
import cv2

from boss_train import Model
from image_show import show_image


if __name__ == '__main__':
    cap = cv2.VideoCapture(0)
    # 人臉識別分類器本地儲存路徑
    cascade_path = "haarcascade_frontalface_default.xml"
    #載入模型
    model = Model()
    model.load()
    while True:
        _, frame = cap.read()
        cv2.imshow("識別朕", frame)
        ##影象灰化，降低計算複雜度
        frame_gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

        # 使用人臉識別分類器，讀入分類器
        cascade = cv2.CascadeClassifier(cascade_path)

        # 利用分類器識別出哪個區域為人臉
        facerect = cascade.detectMultiScale(frame_gray, scaleFactor=1.2, minNeighbors=3, minSize=(8, 8))

        if len(facerect) > 0:
            print('face detected')
            color = (255, 255, 255)  # 白
            for rect in facerect:
                # 擷取臉部影象提交給模型識別這是誰
                cv2.rectangle(frame, tuple(rect[0:2]), tuple(rect[0:2] + rect[2:4]), color, thickness=2)

                x, y = rect[0:2]
                width, height = rect[2:4]
                image = frame[y - 10: y + height, x: x + width]

                result = model.predict(image)
                if result == 0:  # boss
                    print('Boss is approaching')
                    #cv2.imshow("識別朕", frame)
                    show_image()
                else:
                    print('Not boss')

        #10msec的帶燈時間
        k = cv2.waitKey(10)
        #Esc退出
        if k == 27:
            break

    # 釋放攝像頭並銷燬所有視窗
    cap.release()
    cv2.destroyAllWindows()
 

     當我走進攝像頭的視野，電腦桌面跳出預備的照片，測試顯示結果不錯。

注意：增加自身訓練資料集可提高對boss識別精度，增加其他人的訓練資料量，可減少誤判。