這篇文章主要講解了“如何用python創(chuàng)建人臉識別程序”，文中的講解內(nèi)容簡單清晰，易于學(xué)習(xí)與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學(xué)習(xí)“如何用python創(chuàng)建人臉識別程序”吧！
堅守“ 做人真誠 · 做事靠譜 · 口碑至上 · 高效敬業(yè) ”的價值觀，專業(yè)網(wǎng)站建設(shè)服務(wù)10余年為成都除甲醛小微創(chuàng)業(yè)公司專業(yè)提供成都企業(yè)網(wǎng)站定制營銷網(wǎng)站建設(shè)商城網(wǎng)站建設(shè)手機(jī)網(wǎng)站建設(shè)小程序網(wǎng)站建設(shè)網(wǎng)站改版，從內(nèi)容策劃、視覺設(shè)計、底層架構(gòu)、網(wǎng)頁布局、功能開發(fā)迭代于一體的高端網(wǎng)站建設(shè)服務(wù)。
在這個項目中，我們將使用一個名為Facenet的系統(tǒng)來為我們做人臉識別程序。
Facenet是由Florian Schroff、Dmitry Kalenichenko和James Philbin構(gòu)建的系統(tǒng)。他們也為此寫了一篇論文。
它直接從人臉圖像中學(xué)習(xí)圖像到歐式空間上點的映射，其中距離直接對應(yīng)于人臉相似度的度量。一旦創(chuàng)建了這些嵌入，就可以使用這些嵌入作為特征來完成人臉識別和驗證等過程。
Facenet使用卷積層直接從人臉的像素學(xué)習(xí)。該網(wǎng)絡(luò)在一個大數(shù)據(jù)集上進(jìn)行訓(xùn)練，以實現(xiàn)對光照、姿態(tài)和其他可變條件的不變性。該系統(tǒng)是在 Labelled Faces in the wild(http://vis-www.cs.umass.edu/lfw/) 數(shù)據(jù)集上訓(xùn)練的。這個數(shù)據(jù)集包含13000多張從網(wǎng)絡(luò)上收集的不同人臉的圖片，每個人臉都有一個名字（標(biāo)簽）。
Facenet從圖像中創(chuàng)建128維嵌入，并將其插入特征空間，這樣，無論成像條件如何，相同身份之間的特征距離要盡可能的小，而不同身份之間的特征距離要盡可能的大。下圖描述了模型體系結(jié)構(gòu)：
模型結(jié)構(gòu)：模型包含一個批處理輸入層、一個深入學(xué)習(xí)架構(gòu)和一個L2層。這就產(chǎn)生了人臉嵌入。
該系統(tǒng)采用一種特殊的損失函數(shù)，稱為三重?fù)p失。三重?fù)p失使同一身份的圖像之間的L2距離最小，使不同特征的人臉圖像之間的L2距離最大。
該系統(tǒng)采用三重?fù)p失，更適合于人臉驗證。使用三重?fù)p失的動機(jī)是它鼓勵將一個身份的所有圖像投影到嵌入空間中的一個點上。
三重?fù)p失：學(xué)習(xí)前后 
創(chuàng)作者們設(shè)計了一種高效的三重選擇機(jī)制，可以一次巧妙地選擇三幅圖像。這些圖像有以下三種類型：
錨：一個隨機(jī)的人的圖。
正圖：同一個人的另一張圖。
負(fù)圖：另一個人的圖。
測量了兩個歐幾里德距離：一個是錨和正圖之間的距離，我們稱之為A；另一個是錨和負(fù)圖之間的距離，我們稱之為B。訓(xùn)練過程旨在減少A并使B最大化，這樣相似的圖像彼此靠近，不同的圖像在嵌入空間中會隔得很遠(yuǎn)。
最精彩的部分開始了！我們可以使用Facenet為我們自己選擇的人臉創(chuàng)建嵌入，然后訓(xùn)練支持向量機(jī)(Support Vector Machine)使用這些嵌入并進(jìn)行分類。讓我們開始建立一個自定義的人臉識別程序吧!
你可以看看這個項目的Github存儲庫，因為它包含了一個自定義數(shù)據(jù)集和用于在視頻中檢測人臉的腳本。
在開始之前，請確保你的系統(tǒng)上安裝了以下庫：
tensorflow==1.7
scipy
scikit-learn
opencv-python
h6py
matplotlib
Pillow
requests
psutil
在這個項目中，我們將創(chuàng)建一個人臉識別程序，將能夠識別90年代情景喜劇《老友記》的核心人物。如果你想識別一組不同的人臉，那么就用你的圖像來代替。只需確保遵循類似的目錄結(jié)構(gòu)——為要識別的每個身份創(chuàng)建一個文件夾，并將這些文件夾存儲在名為“raw”的文件夾中。
數(shù)據(jù)集目錄：注意每個角色如何擁有自己對應(yīng)的文件夾
在每個文件夾里放上人物的照片。請注意，每張圖片只有一張清晰可見的臉。盡管只需要很少的圖像，我還是為每個角色添加了20個圖像。每個文件夾都有相同數(shù)量的圖片。你可以從這里下載我創(chuàng)建的《老友記》的數(shù)據(jù)集。順便說一下，這是“Chandler”文件夾的樣子:
現(xiàn)在已經(jīng)結(jié)束收集數(shù)據(jù)了。請繼續(xù)下載Facenet repo。下載并提取它，并將“Dataset”文件夾放入其中。
該模型的一個問題是它可能會漏掉一些人臉標(biāo)志，為了解決這個問題，我們必須將數(shù)據(jù)集中的所有圖像對齊，使眼睛和嘴唇在所有圖片中顯示在同一位置。我們將使用M.T.C.N.N.（多任務(wù)C.N.N.）來執(zhí)行相同的操作，并將所有對齊的圖像存儲在名為processed的文件夾中。
打開終端/命令提示符并導(dǎo)航到Facenet目錄。然后運行align_dataset_mtcn.py以及以下參數(shù)。
python src/align_dataset_mtcnn.py \ ./Dataset/Friends/raw \ ./Dataset/Friends/processed \ --image_size 160 \ --margin 32 \ --random_order \ --gpu_memory_fraction 0.25
運行此命令將對齊所有圖像并將其存儲在各自的文件夾中，然后將所有內(nèi)容存儲在“processed”文件夾中。下圖將向你介紹對齊的工作原理：
所有圖像都被裁剪并與標(biāo)準(zhǔn)的160x160像素圖像對齊。
現(xiàn)在，為了在你自己的圖像上訓(xùn)練模型，你需要下載預(yù)先訓(xùn)練的模型。
在Facenet根目錄中創(chuàng)建一個名為“Models”的文件夾。下載完成后，將zip文件的內(nèi)容解壓縮到名為“facenet”的目錄中，并將此文件夾放在“Models”文件夾中。
這個模型是在LFW數(shù)據(jù)集上訓(xùn)練的，因此所有的人臉嵌入都存儲在這些文件中。這使我們有機(jī)會凍結(jié)圖像，并在我們自己的圖像上訓(xùn)練它。這樣做會將我們提供的所有人臉嵌入到維度空間中。
我們都準(zhǔn)備好了！我們有一個預(yù)先訓(xùn)練好的模型，我們的自定義數(shù)據(jù)集已經(jīng)對齊并準(zhǔn)備好了?，F(xiàn)在，是時候訓(xùn)練模型了！
python src/classifier.py TRAIN \ ./Dataset/Friends/processed \ ./Models/facenet/20180402-114759.pb \ ./Models/Friends/Friends.pkl \ --batch_size 1000
執(zhí)行上述命令將加載預(yù)先訓(xùn)練的模型并啟動訓(xùn)練過程。訓(xùn)練結(jié)束后，新圖像的嵌入將導(dǎo)出到/Models/Friends/中。
由于我們使用的是預(yù)先訓(xùn)練的模型和相對較少的圖像數(shù)量，因此訓(xùn)練過程很快就結(jié)束了。
為了測試我們的模型，我使用的是來自《老友記》的視頻。你可以用自己的視頻來代替，甚至可以用攝像頭。在本節(jié)中，我們將編寫腳本，以便于在視頻源中進(jìn)行人臉識別。
導(dǎo)航到“src”文件夾并創(chuàng)建一個新的python腳本。我給它起名 faceRec.py。
接下來，我們導(dǎo)入所有必需的庫。
此腳本只接受一個參數(shù)，即視頻文件的路徑。如果沒有提到路徑，那么我們將通過網(wǎng)絡(luò)攝像頭傳輸視頻。因此，參數(shù)的默認(rèn)值為0。
我們將初始化一些變量。請確保根據(jù)文件夾結(jié)構(gòu)更改路徑。
加載自定義分類器。
設(shè)置Tensorflow圖，然后加載Facenet模型。使用GPU將加快檢測和識別過程。
設(shè)置輸入和輸出張量。
pnet、rnet和onet是M.T.C.N.N.的組成部分，將用于檢測和對齊人臉。
接下來，我們將創(chuàng)建一個集合和一個來跟蹤檢測到的每個角色的集合。
設(shè)置視頻捕獲對象。
因此，如果在運行程序時未將VIDEO_PATH作為參數(shù)傳遞，則它將假定默認(rèn)值為0。如果發(fā)生這種情況，視頻捕獲對象將從網(wǎng)絡(luò)攝像機(jī)流式傳輸視頻。
然后逐幀捕獲視頻，并且由檢測人臉模塊在這些幀中檢測人臉。找到的人臉數(shù)存儲在faces\u found變量中。
如果找到人臉，那么我們將迭代每個人臉并將邊界框的坐標(biāo)保存在變量bb中。
然后提取、裁剪、縮放、重塑這些人臉并輸入字典。
我們將使用該模型來預(yù)測人臉的身份。我們提取最佳類概率或置信度。這是衡量我們的模型是如何確定預(yù)測的身份屬于給定的臉。
最后，我們將在人臉周圍畫一個邊界框，并在邊界框旁邊寫下預(yù)測的身份和置信度。如果置信度低于某個閾值，我們將把名字填為未知。
一定要放一個except語句。這將確保成功忽略拋出的任何錯誤。確保放置except語句。這樣做有助于我們忽略錯誤。
except: pass
顯示視頻并在過程結(jié)束后關(guān)閉視頻顯示窗口。因為每一幀都要經(jīng)過大量的處理，所以視頻回放可能會很慢。
恭喜你，你的耐心得到了回報！我們已經(jīng)完成了腳本，準(zhǔn)備好了！快速啟動并執(zhí)行以下命令以啟動人臉識別程序。請確保將要測試的視頻的路徑作為參數(shù)傳遞，或?qū)⑵淞艨找詮木W(wǎng)絡(luò)攝像機(jī)流式傳輸視頻。
python src/faceRec.py --path ./Dataset/Friends/friends.mp
好吧，這個系統(tǒng)還不完善，還有一些缺點。
系統(tǒng)總是試圖將每個人臉都匹配到一個給定的身份中。如果屏幕上出現(xiàn)新人臉，系統(tǒng)將為其分配一個或另一個身份。這個問題可以通過仔細(xì)選擇一個閾值來解決。
身份的混淆。在上面的gif中，你可以觀察到Joey和Chandler之間的預(yù)測有時是如何波動的。而且，置信度得分也很低。使用更多圖像訓(xùn)練模型將解決此問題。
無法在一定距離識別人臉（如果距離很遠(yuǎn)使得人臉看起來很?。?。
感謝各位的閱讀，以上就是“如何用python創(chuàng)建人臉識別程序”的內(nèi)容了，經(jīng)過本文的學(xué)習(xí)后，相信大家對如何用python創(chuàng)建人臉識別程序這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是創(chuàng)新互聯(lián)，小編將為大家推送更多相關(guān)知識點的文章，歡迎關(guān)注！
重慶分公司
重慶分公司
