简单来讲,人脸识别这个问题,就是给定两个人脸,然后判定他们是不是同一个人,这是它最原始的定义。它有很多应用场景,比如银行柜台、海关、手机解锁、酒店入住、网吧认证,会查身份证跟你是不是同一个人。
关于人脸识别的内容,网上资料很多,这里推荐一篇综述,详细介绍了一些人脸识别的背景和目前的相关研究,以及常用的人脸识别模型:
http://www.elecfans.com/d/709424.html
好了,直接进入主题,今天的重点:
insightface论文:https://arxiv.org/abs/1801.07698
insightface github项目:https://github.com/deepinsight/insightface
官方提供的项目是基于mxnet框架的
因此首先需要配置好这些环境,这里假设已经安装好cuda等
mxnet的安装相对来说比较简单(相对于caffe)
(1)查询自己cuda的版本
# 输入
nvcc -V
# 输出结果
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2017 NVIDIA Corporation
Built on Fri_Sep__1_21:08:03_CDT_2017
Cuda compilation tools, release 9.0, V9.0.176
(2)用pip安装mxnet(GPU版本)
pip install mxnet-cu90
# 根据自身情况查询对应的安装命令,例如我服务器的cuda版本是10.0的,安装命令为 pip install mxnet-cu100
将insight项目克隆到本地
git clone --recursive https://github.com/deepinsight/insightface.git
下载lfw数据集
链接:http://vis-www.cs.umass.edu/lfw/index.html#download
这里为了方便,提供了lfw的部分用于练手
练手数据集https://www.lanzous.com/i7gdxva,仅用于制作数据集练手
观察数据集:
这里提供了20个用于练手,完整数据集可以去上面的链接或自行查找下载。
说明:每个文件夹名为人的姓名,文件夹内包含多张人脸(>=1)。
将lfw数据集下载好并放置在datasets下(这里以lfwdata命名的文件夹),然后新建一个文件夹并命名为output保存对齐后的人脸图片,新建一个文件夹命名为train用于保存输出结果
运行insightface项目下 src/align下的align_lfw.py文件
python align_lfw.py --input-dir ../../datasets/lfwdata --output-dir ../../datasets/output
遇到问题1:
ValueError: Object arrays cannot be loaded when allow_pickle=False
解决方案:
pip3 install numpy==1.16.1
如果已安装了多个numpy版本,需要先将其卸载后在运行
遇到问题2:
AttributeError: module ‘scipy.misc’ has no attribute ‘imread’
解决方案:
pip install scipy==1.1.0
如果成功运行,output文件夹下会产生对齐后的人脸以及一个lst文件(将lst文件改名为 train.lst,并移动到train文件下)
终端下,移动和重命名的操作
# 重命名 mv [原始文件名] [改变后的文件名]
mv lst train.lst
# 移动 mv [起始文件路径] [目标文件路径]
mv train.lst ../train/
观察生成的 lst 文件内容:
1 ../../datasets/train/Abbas_Kiarostami/Abbas_Kiarostami_0001.jpg 0
1 ../../datasets/train/Abdel_Aziz_Al-Hakim/Abdel_Aziz_Al-Hakim_0001.jpg 1
# 其中1代表对齐,最后的数字0,1代表class label 中间是地址;需要用\t表示tab键,不能用空格间隔。
在datasets/train下创建property,没有后缀
写入下面内容,含义1000,112,112代表ID数量,尺寸,尺寸
1000,112,112
运行src/data face2rec2.py
python face2rec2.py ../../datasets/train/
运行可能会报错,需要修改,可能原因是源代码是基于python2的
在python3下运行,修改第105行成如下所示:
s = mx.recordio.pack(header, b'')
运行成功后会出现两个文件
train.idx和train.rec
为了做测试我们需要生成验证集用的bin文件,bin文件生成前需要做pair文件,就是一对一对的数据,每一行分别是
图A的目录 空格 图B的目录 空格 标志0/1(代表两张图类别一致否)
在src/data下新建一个代码generate_image_pairs.py用于生成pairs
代码来源:
https://blog.csdn.net/CLOUD_J/article/details/100672392
# coding:utf-8
import sys
import os
import random
import time
import itertools
import pdb
import argparse
#src = '../../datasets/lfw2'
#dst = open('../../datasets/lfw/train.txt', 'a')
parser = argparse.ArgumentParser(description='generate image pairs')
# general
parser.add_argument('--data-dir', default='', help='')
parser.add_argument('--outputtxt', default='', help='path to save.')
parser.add_argument('--num-samepairs',default=100)
args = parser.parse_args()
cnt = 0
same_list = []
diff_list = []
list1 = []
list2 = []
folders_1 = os.listdir(args.data_dir)
dst = open(args.outputtxt, 'a')
count = 0
dst.writelines('\n')
# 产生相同的图像对
for folder in folders_1:
sublist = []
same_list = []
imgs = os.listdir(os.path.join(args.data_dir, folder))
for img in imgs:
img_root_path = os.path.join(args.data_dir, folder, img)
sublist.append(img_root_path)
list1.append(img_root_path)
for item in itertools.combinations(sublist, 2):
for name in item:
same_list.append(name)
if len(same_list) > 10 and len(same_list) < 13:
for j in range(0, len(same_list), 2):
if count < int(args.num_samepairs):#数量可以修改
dst.writelines(same_list[j] ' ' same_list[j 1] ' ' '1' '\n')
count = 1
if count >= int(args.num_samepairs):
break
list2 = list1.copy()
# 产生不同的图像对
diff = 0
print(count)
# 如果不同的图像对远远小于相同的图像对,则继续重复产生,直到两者相差很小
while True:
random.seed(time.time() * 100000 % 10000)
random.shuffle(list2)
for p in range(0, len(list2) - 1, 2):
if list2[p] != list2[p 1]:
dst.writelines(list2[p] + ' ' + list2[p 1] + ' ' + '0' + '\n')
diff = 1
if diff >= count:
break
#print(diff)
if diff < count:
#print('--')
continue
else:
break
运行generate_image_pairs.py
python3 generate_image_pairs.py --data-dir ../../datasets/output --outputtxt ../../datasets/train/train.txt --num-samepairs 5
–data-dir 后接对齐后的人脸
–outputtxt 用于保存train.txt文件
–num-samepairs 生成多少对(具体如何设置,还需要好好研究一下)
运行成功后在datasets/train下会生成一个train.txt文件
内容:
../../datasets/output/Abdullah/Abdullah_0002.jpg ../../datasets/output/Abdullah/Abdullah_0004.jpg 1
# 前面两个分布是生成的pairs的路径,后面的0/1代表是否同一个人或类
成功后利用/src/data/下的 lfw2pack.py生成bin文件
但是存在点问题,对lfw2pack.py进行稍微的修改,修改lfw2pack.py中19行,打#的为更改的,改为两个参数,一个是txt读出来的列表,另一个是总数量。
import mxnet as mx
from mxnet import ndarray as nd
import argparse
import pickle
import sys
import os
sys.path.append(os.path.join(os.path.dirname(__file__), '..', 'eval'))
import lfw
parser = argparse.ArgumentParser(description='Package LFW images')
# general
parser.add_argument('--data-dir', default='', help='')
# 修改1:图像大小修改为112,112
parser.add_argument('--image-size', type=str, default='112,112', help='')
parser.add_argument('--output', default='', help='path to save.')
# 修改2:添加解析参数
parser.add_argument('--num-samepairs',default=100)
args = parser.parse_args()
lfw_dir = args.data_dir
image_size = [int(x) for x in args.image_size.split(',')]
# 修改3:将文件名pairs.txt修改成train.txt
lfw_pairs = lfw.read_pairs(os.path.join(lfw_dir, 'train.txt'))
print(lfw_pairs)
# 修改4:下一行进行修改成需要的格式
# lfw_paths, issame_list = lfw.get_paths(lfw_dir, lfw_pairs, 'jpg')
lfw_paths, issame_list = lfw.get_paths(lfw_pairs,int(args.num_samepairs) 1)#, 'jpg')
lfw_bins = []
#lfw_data = nd.empty((len(lfw_paths), 3, image_size[0], image_size[1]))
print(len(issame_list))
i = 0
for path in lfw_paths:
with open(path, 'rb') as fin:
_bin = fin.read()
lfw_bins.append(_bin)
#img = mx.image.imdecode(_bin)
#img = nd.transpose(img, axes=(2, 0, 1))
#lfw_data[i][:] = img
i =1
if i00==0:
print('loading lfw', i)
with open(args.output, 'wb') as f:
pickle.dump((lfw_bins, issame_list), f, protocol=pickle.HIGHEST_PROTOCOL)
对应的get_paths这个文件存在src/eval/lfw.py下,把它也改了
def get_paths(pairs, same_pairs):
nrof_skipped_pairs = 0
path_list = []
issame_list = []
cnt = 1
for pair in pairs:
path0 = pair[0]
path1 = pair[1]
if cnt < same_pairs:
issame = True
else:
issame = False
if os.path.exists(path0) and os.path.exists(path1): # Only add the pair if both paths exist
path_list = (path0,path1)
issame_list.append(issame)
else:
print('not exists', path0, path1)
nrof_skipped_pairs = 1
cnt = 1
if nrof_skipped_pairs>0:
print('Skipped %d image pairs' % nrof_skipped_pairs)
return path_list, issame_list
vim中多行注释方法:
多行注释:
1. 进入命令行模式,按ctrl v进入 visual block模式,然后按j, 或者k选中多行,把需要注释的行标记起来
2. 按大写字母I,再插入注释符,例如 #
3. 按esc键就会全部注释了
取消多行注释:
1. 进入命令行模式,按ctrl v进入 visual block模式,按字母l横向选中列的个数,例如 # 需要选中2列
2. 按字母j,或者k选中注释符号
3. 按d键就可全部取消注释
之后再运行
python3 lfw2pack.py --data-dir ../../datasets/train --output ../../datasets/train/lfw.bin --num-samepairs 2
注意:我这里报错了(没有报错的小伙伴可以忽略)
path0 = pair[0]
IndexError: list index out of range```
仔细分析之后,是因为在train.txt中存在空白行导致,直接删除即可,如果没有报错可以直接忽略
至此,我们已经完成了数据集的制作,后续会更新如何训练,以及使用。
这部分内容,是本人摸索了很久才搞定的,本文尽可能的写的详细,希望能帮到大家,写这篇的时候又重新操作了一遍,如果可以恳请小伙伴们能点个“在看”或分享到朋友圈。谢谢啦!
> 欢迎关注我,wx公主号:AI算法与图像处理