深度学习之 人脸识别（3） 摄像头识别人脸 实例

 
  继续介绍人脸识别实例，先训练模型（可以用已训练好的模型），SVM 人脸分类训练，预测USB摄像头捕捉的人脸。
 

1. 下载代码及数据集

 开源工程下载，

 https://github.com/davidsandberg/facenet

 下载后解压出facenet-master文件夹

 打开requirements.txt文件，删除tensorflow==1.7，执行命令，

 pip3 install -r requirements.txt

 
 下载数据集，

 数据解压后放在和facenet-master同集目录下

 CASIA-WebFace ： 比较大，用于训练模型，读者可自行搜索下载。

 lfw ： 比较小用于验证模型，下载地址如下：

 http://vis-www.cs.umass.edu/lfw/lfw.tgz

 
 下载已训练好的模型，

 下载链接：

  https://drive.google.com/open?id=1EXPBSXwTaqrSC0OhUdXNmKSh9qJUQ55-

 如果不能，请用下面链接进行下载：

  https://download.csdn.net/download/hemro/11862096
 

 

2. 训练模型

 

2.1 使用已训练好的模型

 
 1、下载已训练好的模型

 
 2、人脸对齐

 上上一篇已说明，在目标数据集上运行如下命令，会得到lfw_align_160目录：

python src/align/align_dataset_mtcnn.py …/lfw …/lfw_align_160 --image_size 160 --margin 32 --random_order

 
 3、验证模型

 在facenet-master目录下运行，20181205-090556为下载的训练好的模型：

 python src/validate_on_lfw.py …/lfw_align_160/ …/models/20181205-090556

 结果如下，准确率为0.998：

Model directory: …/models/20181205-090556
Metagraph file: model-20180402-114759.meta
Checkpoint file: model-20180402-114759.ckpt-275
Runnning forward pass on LFW images
…
Accuracy: 0.98467±0.00407
Validation rate: 0.90567±0.01995 @ FAR=0.00067
Area Under Curve (AUC): 0.998
Equal Error Rate (EER): 0.015

 
 如果没有训练资源或先不想自己训练模型，直接跳到 “3. SVM分类训练及预测”
 

2.2 训练模型

 
 1、人脸对齐

 上上一篇已说明，在目标数据集上运行如下命令，会得到CASIA-WebFace_align_182目录：

python src/align/align_dataset_mtcnn.py …/CASIA-WebFace …/CASIA-WebFace_align_182 --image_size 182 --margin 44 --random_order

 
 2、训练模型

 万事已备只欠东风， 可以开始训练模型了，输入如下命令

 python src/train_softmax.py --logs_base_dir …/log --models_base_dir …/models --data_dir …/CASIA-WebFace_align_182/ --model_def models.inception_resnet_v1 --image_size 160 --lfw_dir …/lfw_align_160/ --optimizer RMSPROP --learning_rate -1 --max_nrof_epochs 80 --random_crop --random_flip --learning_rate_schedule_file data/learning_rate_schedule_classifier_casia.txt --weight_decay 5e-5 --center_loss_factor 1e-2 --center_loss_alfa 0.9

  看到如下界面，恭喜你，模型训练开始正常工作了。

  在facenet-master同一级models目录下创建要一个将要保存模型的目录：

  在log目录下看到相关日志：

  模型训练运行n小时后结束，在20190704-100427下看到如下类似模型数据：

 
 3、验证模型

 和上面一样，模型换成训练出来的新mode即可：

 python src/validate_on_lfw.py …/lfw_align_160/ …/models/20190704-100427

 

3. SVM分类训练及预测

 
 模型已训练好，要排上用场了，用模型计算目标图片的向量，并使用SVM训练分类模型：

 1、SVM分类训练

 使用已训练好的模型在目标数据库上进行计算，得到每张图片的向量。因为图片都标量好，

 所以通过SVM进行分类，得到分类超平面，保存

 2、SVM分类验证

 在目标数据集上验证其分类效果

 
 下面开始实际操作

 1）分类训练，训练好的模型保存到…/models/classifier.pkl

 python src\classifier.py TRAIN …/test_images_align_160 …/models/20181205-170307 …/models/classifier.pkl

 运行结果

Number of classes: 5
Number of images: 19
Loading feature extraction model
Model directory: …/models/20181205-170307
Metagraph file: model-20181205-170307.meta
Checkpoint file: model-20181205-170307.ckpt-79
Calculating features for images
Training classifier
Saved classifier model to file “…/models/classifier.pkl”

 2）训练好的SVM模型分类验证

 python src\classifier.py CLASSIFY …/test_images_align_160 …/models/20181205-170307 …/models/classifier.pkl

 看到运行结果，分类准确率为100%

Loading feature extraction model
Model directory: …/models/20181205-170307
Metagraph file: model-20180402-114759.meta
Checkpoint file: model-20180402-114759.ckpt-275
Calculating features for images
Testing classifier
… …
14 Liuyifei: 0.910
15 Liuyifei: 0.886
… …
Accuracy: 1.000、

 

4. USB摄像头捕捉的人脸

 
  USB 捕捉人脸并识别标出对应的姓名

  1、构造预测人脸数据集和SVM分类器

  其实每个步骤上面已经都做过了：

  1）需要预测的人脸图像按名字建立文件夹，并放入相应的人脸照片，

  2）人脸对其

  3）训练SVM分类器

python src\classifier.py CLASSIFY …/test_images_align_160 …/models/20181205-170307 …/models/classifier.pkl

 

  2、USB捕捉人脸并识别
 
  一切就绪，开始应用了

 插上USB摄像头，安装好驱动。

 运行：

 python contributed\real_time_face_recognition.py --debug

 

5. 代码导读

 
 inception_resnet_v1.py、inception_resnet_v2.py

 — 模型，上一篇已经详细说明，按照模型图读非常好理解。

 
 
 train_softmax.py

 — 使用中心损失训练的模型

 Loss计算

 L= L_softmax + λL_cneter = Softmax(W_i + b_yj) + λ1/2||f(x_i) - c_yj ||_2^2

 prelogits_center_loss, _ = facenet.center_loss(prelogits, label_batch, args.center_loss_alfa, nrof_classes)
 tf.add_to_collection(tf.GraphKeys.REGULARIZATION_LOSSES, prelogits_center_loss * args.center_loss_factor)

 
 
 classifier.py

 — SVM人脸分类训练

 TRAIN

 对提供的图片(目标目录下，每个目录为一个人脸图片)进行分类。这里分类时使用inception模型中输出的embeddings，

然后使用SVM进行分类。

 两种模式：

 CLASSIFY

 目标图片计算embeddings，然后分类好的SVM模型进行分类，取最大概率值对应的类型。

 
 
 predict.py

 — 人脸判别

 判断输入图片的人脸判别，这里先用人脸对其（即mtcnn来找到人脸，并把它提取出来），

然后使用classifier判断

 
 
 train_tripletloss.py

 — 三元组损失来训练模型

 
 
 compare.py

 — 计算算图片之间的“距离”

 
 
 real_time_face_recognition.py

 — 捕捉摄像头图片的中人脸并识别

 通过网络摄像头捕捉的图片进行人脸判别，再使用classifier判断