一步一步带你完成深度学习与对象检测之人脸识别

前期文章我们分享了opencv的人脸检测

人工智能-OpenCV+Python实现人脸识别

以及dlib的人脸检测与人脸识别

人工智能-Dlib+Python实现人脸识别

通过往期的分享,我们了解到人脸识别的大概过程,主要包括:

1、人脸图片的搜集(原始数据)

2、从图片中识别到人脸

3、人脸数据提取

4、人脸数据保存

5、从图片或者视频中检测到人脸

6、人脸数据提取

7、被识别的人脸与数据库中的数据一一对比,识别出人脸

人脸识别

以上人脸识别过程,存在一定的问题,当人脸原始数据比较大时,数据库中必然存在比较多的人脸数据,当进行人脸识别时,被识别的人脸与数据库中的数据对比时,必然会消耗大量的时间,对人脸实时识别的速度有较大的影响。受CNN卷积神经网络的启发,我们使用神经网络来进行人脸数据的训练,标签是人脸的名字,数据是人脸数据,使用神经网络对人脸数据进行训练,这样当数据比较大时,神经网络识别速度与正确率就越高,大大提高人脸识别的速度与正确率,这样人脸识别的过程便成为如下过程:

1、人脸图片的搜集(原始数据)

2、从图片中识别到人脸

3、人脸数据提取与保存

4、人脸数据与人脸标签的神经网络训练,保存训练模型

5、从图片或者视频中检测到人脸

6、识别到的人脸进行神经网络预测,进行人脸识别

本期介绍人脸数据的提取

1、人脸原始图片的搜集

要进行人脸识别,就要搜集用户的人脸图片,我们从网站上搜集了几个明星的照片来进行本期文章的分享

首先在目录文件下新建一个dataset文件夹,里面放置多个文件夹,每个文件夹便是一个明星的照片,文件夹名称是明星的名字,目录类似如下:

2、设置人脸检测模型与人脸提取嵌入数据模型

人脸检测模型,我们直接使用ResNet-10和SSD算法在caffe上面训练好的模型

人脸数据提取嵌入模型,使用OpenFace的openface_nn4.small2.v1.t7模型,此模型训练在pytorch上,可以直接使用opencv来进行加载

脸检测模型与人脸提取嵌入数据模型

3、初始化图片地址,初始化人脸数据数组与人脸名称标签数组

初始化人脸数据

4、遍历整个dataset目录,进行图片处理

30行提取了文件夹的名称,此名称便是后期需要保存的label值

33-35行,进行了图片的读取以及resize处理

38行计算图片的blob值

43-44行,把图片的blob值放入人脸检测神经网络进行人脸的检测

47行,当在图片中检测到 人脸时,其神经网络的len值会大于0

50行,当检测到人脸时,我们提取人脸的置信度

53行设计人脸置信度为0.5

55-59行,计算人脸在图片中的位置,并提取人脸的尺寸

61-62行,当人脸尺寸较小时 ,我们忽略此人脸信息,选择图片中人脸比较大的人脸

64行,当人脸图片尺寸符合要求时,我们计算人脸的blob值

67-68行,把人脸图片的blob值传递人脸嵌入数据神经网络

71-72行,保存人脸的label与人脸数据到数组中

5、保存人脸数据

当遍历完成后,dataset中的所有的人脸数据便保存在了事先建立的数组中

77行,新建一个字典数据,把人脸的label以及人脸数据保存到本地,方便后期进行神经网络的训练

以上5步便完成了整个人脸的数据采集,当然,若想后期人脸识别的精度较高,需要进行大量的人脸数据搜集,此部分文章是人脸识别的第一部分,人脸数据的搜集与提取,后期我们分享人脸识别系统的神经网络训练与人脸识别