基于卷积神经网络的人脸识别（自我拍摄获取数据集）

基于卷积神经网络的人脸识别

完整代码、数据请见：https://download.csdn.net/download/weixin_43521269/12837110

人脸识别，是基于人的脸部特征信息对人的身份进行识别的技术。随着世界的发展，人脸识别已成为非常重要的技术手段，如确定一个人是否为罪犯，寻找失踪者的踪迹，更为重要的是应用于线上支付的保密手段。
学习目标：
1.了解人脸识别的研究现状
2.掌握采集人脸的思路与方法
3.掌握提取人脸的方法
4.掌握属于预处理的流程
5.掌握cnn人脸识别模型的构建
6.掌握调用模型进行实时识别的方法

操作环境：
Jupyter Notebook (Anaconda3)
python 3.76
tensorflow 2.2.0（初始接触建议装cpu版即可）
opencv-python 4.4.0.40
Keras 2.4.3
numpy 1.18.5
一人脸采集
通过 opencv调用电脑摄像头拍取约10个人的人脸照片，每人拍600张。为拍照的10个人分别建立一个文件夹，并将其所拍照片統一放置该文件夹中，文件夹以其名字拼音命令，将这10个文件夹统一放置于个总文件夹中，并以 facelmages命名。
将获取到的图片进行面部提取操作，并将提取山来的面部照片转成灰度图。对处理后的照片进行整理，并将总件夹命名为 facelmageGray。
1.了解并安装opencv包
OpenCV是一个基于BSD许可（开源）发行的跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效——由一系列C函数和少量C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。使用opencv调用摄像头对人脸进行拍摄。
基础操作：

2.进行拍摄人脸
对十个人进行人脸拍摄，每人拍摄600张，每隔0.05s拍一张，需30s。

3.提取人脸
主要函数使用faces = facec.detectMultiScale(img)、cv2.rectangle()提取出每张图片的人脸，由于可能出现检测不到人脸的情况，导致返回为空，造成数据丢 失，由于照片数据是连续不断拍摄，人脸变动位置很小，可认为人脸位置与上一张图片人脸位置一致，由此提取出600张人脸。

二数据预处理
将人脸的图片数据整理成numpy中的 ndarray格式，并将整理后的数据按8、2 划分成训练集和测试集。
1.将人脸数据灰度化
拍摄的照片为彩色图片，通道数为3，将其灰度化，使之成为单通道，方便运算。再将人脸的维度统一大小为2828。
2.将人脸数据归一化，使后面训练收敛速度加快，并为人脸设置标签为0-9
人脸数据为每个像素数据大小集合，像素大小0-255，将数据除以255即可实现 归一化。标签则新建一个与data对应的labels数组，方便识别。

3.将所有数据集合为face_data，face_labels，将数据划分训练集与测试集
总共10个人，每人600张图片，则有6000张图片。将其聚合为face_data，大 小为600028*28，对应标签为face_labels，大小为6000。
使用sklearn对数据进行划分，主要函数为train_test_split()，参数data为 划分的数据，labels为标签，test_size为划分的比例

三模型构建
将训练集样本放入模型进行训练，用测试集样本进行模型性能测试，并将训练好 的模型进行保存，模型文件夹命名为model
1.cnn的认识
卷积神经网络分为卷积层，池化层，全连接层：
卷积层，对输入信号进行加工，然后在连接层实现与输出目标之间的映射。每个 卷积层都包含多个特征映射，每个特征映射是一个由多个神经元构成的“平面”，通 过一种卷积滤波器提取输入的一种特征。
池化层（采样层），基于局部相关性原理进行亚采样，从而在减少数据量的同时保 留有用信息。
全连接层，类似BP神经网络，完成识别任务

2.keras卷积神经网络主要函数

3.构建模型并测试，保存
构建一个具有两层卷积层，两层池化层，一个flatten层，一个dropout层，两 个全连接层的人脸识别模型，输入训练人脸数据为[4800,28,28,1]，标签为[4800]， 输出训练的结果与交叉熵大小，并保存模型。再将测试集代入测试

四模型测试
使用之前拍摄人脸代码抓拍实时人脸，再提取人脸，预处理，最后代入模型即可。
拍摄十张图片，设置好标签，最后与预测结果进行比较。

五总结
1.模型结果展示
（1）以下为训练集的交叉熵与准确率：
最终为0.9971，识别效果很好，只有几张被错分。

（2）以下为测试集的交叉熵与准确率：
模型与参数情况如下，将1200张图片代入识别，准确率为0.9983，基本能够完 全识别出来，交叉熵也只有0.0074

（3）实时拍摄识别
准确率为1，交叉熵为0.2977

2.小结
演示了使用cnn进行人脸识别，粗略的了解了如何去使用python对数据进行处理的步骤与方法，了解一些关于机器学习与深度学习的方法，并进行实操，加深自身的理解，但也有不足之处，使用的数据集过于简单，拍摄人脸基本变化不大，使得特征很明显就提取出来，训练与测试的效果也十分好，同样的道理，如果人脸出现了一些变化，如拍摄环境改变，就会影响到识别的效果，属于一种过拟合的识别，这是有数据集导致的。完成本次实验后也可去网上寻找其他数据集进行实验。

六参考阅读
本文讲述了代码实现，关于卷积神经网络可见：
通俗理解卷积神经网络：
https://blog.csdn.net/v_JULY_v/article/details/51812459
卷积神经网络详解 - 卷积层逻辑篇：https://blog.csdn.net/tjlakewalker/article/details/83275322