Dataset之LFW：LFW人脸数据库的简介、安装、使用方法之详细攻略

最新推荐文章于 2024-05-17 01:38:00 发布
最新推荐文章于 2024-05-17 01:38:00 发布
阅读量555 收藏 9
点赞数 4
分类专栏： 2024年程序员学习 文章标签： 物联网 嵌入式硬件 面试
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2401_85014148/article/details/138976603
版权

img
img

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上物联网嵌入式知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、电子书籍、讲解视频，并且后续会持续更新

需要这些体系化资料的朋友，可以加我V获取：vip1024c （备注嵌入式）

如果你需要这些资料，可以戳这里获取

Dataset之LFW：LFW人脸数据库的简介、安装、使用方法之详细攻略

目录

LFW人脸数据库的简介

1、LFW数据集的重要意义

LFW人脸数据库的安装

LFW人脸数据库的使用方法

LFW人脸数据库的简介

LFW (Labled Faces in the Wild)人脸数据集：是目前人脸识别的常用测试集，其中提供的人脸图片均来源于生活中的自然场景，因此识别难度会增大，尤其由于多姿态、光照、表情、年龄、遮挡等因素影响导致即使同一人的照片差别也很大。并且有些照片中可能不止一个人脸出现，对这些多人脸图像仅选择中心坐标的人脸作为目标，其他区域的视为背景干扰。LFW数据集共有13233张人脸图像，每张图像均给出对应的人名，共有5749人，且绝大部分人仅有一张图片。每张图片的尺寸为250X250，绝大部分为彩色图像，但也存在少许黑白人脸图片。

A database of face photographsdesigned for studying the problem of unconstrained face recognition.The data set contains more than 13,000 images of faces collected fromthe web. Each face has been labeled with the name of the personpictured. 1680 of the people pictured have two or more distinct photosin the data set. The only constraint on these faces is that they weredetected by the Viola-Jones face detector. More details can be foundin the technical report below.    There are now four different sets of LFW images including the original and three different types of “aligned” images.The aligned images include “funneled images” (ICCV 2007), LFW-a, which uses an unpublished method of alignment,and “deep funneled” images (NIPS 2012). Among these, LFW-a and the deep funneled images produce superior results for most face verification  algorithms over the original images and over the funneled images (ICCV 2007).
Labeled Faces in the Wild官网：http://vis-www.cs.umass.edu/lfw/

LFW (Labeled Faces in the Wild) 人脸数据库是由美国马萨诸塞州立大学阿默斯特分校计算机视觉实验室整理完成的数据库，主要用来研究非受限情况下的人脸识别问题。LFW 数据库主要是从互联网上搜集图像，而不是实验室，一共含有13000 多张人脸图像，每张图像都被标识出对应的人的名字，其中有1680 人对应不只一张图像，即大约1680个人包含两个以上的人脸。

LFW数据集主要测试人脸识别的准确率，该数据库从中随机选择了6000对人脸组成了人脸辨识图片对，其中3000对属于同一个人2张人脸照片，3000对属于不同的人每人1张人脸照片。测试过程LFW给出一对照片，询问测试中的系统两张照片是不是同一个人，系统给出“是”或“否”的答案。通过6000对人脸测试结果的系统答案与真实答案的比值可以得到人脸识别准确率。
这个集合被广泛应用于评价 face verification算法的性能。

这些数据集唯一的限制就是它们可以被经典的Viola-Jones检测器检测到（a hummor）。图像如下图所示，

1、LFW数据集的重要意义

收集整理了一份《2024年最新物联网嵌入式全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升的朋友。
img
img

如果你需要这些资料，可以戳这里获取

需要这些体系化资料的朋友，可以加我V获取：vip1024c （备注嵌入式）

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人

都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人**

都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

2401_85014148
关注
  • 4
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
lfw人脸数据集-人脸识别的常用测试集
04-14
LFW人脸数据库的简介 LFW (Labled Faces in the Wild)人脸数据集：是目前人脸识别的常用测试集，其中提供的人脸图片均来源于生活中的自然场景，因此识别难度会增大，尤其由于多姿态、光照、表情、年龄、遮挡等因素影响导致即使同一人的照片差别也很大。并且有些照片中可能不止一个人脸出现，对这些多人脸图像仅选择中心坐标的人脸作为目标，其他区域的视为背景干扰。LFW数据集共有13233张人脸图像，每张图像均给出对应的人名，共有5749人，且绝大部分人仅有一张图片。每张图片的尺寸为250X250，绝大部分为彩色图像，但也存在少许黑白人脸图片。
Dataset之LFW人脸数据库
04-09
LFW (Labled Faces in the Wild)人脸数据集：是目前人脸识别的常用测试集，其中提供的人脸图片均来源于生活中的自然场景，因此识别难度会增大，尤其由于多姿态、光照、表情、年龄、遮挡等因素影响导致即使同一人的...
数据集处理(1)-相关数据集介绍
qq_27163197的博客
05-22 1086
Kitti数据集 数据描述 KITTI包含市区、乡村和高速公路等场景采集的真实图像数据，每张图像中最多达15辆车和30个行人，还有各种程度的遮挡与截断。整个数据集由389对立体图像和光流图，39.2 km视觉测距序列以及超过200k 3D标注物体的图像组成 ，以10Hz的频率采样及同步。总体上看，原始数据集被分类为’Road’, ’City’, ’Residential’, ’Campus’ ...
KNN和SVM实现对LFW人像图像数据集的分类应用
qq_51118755的博客
12-21 1950
K最近邻（K-Nearest Neighbors，简称KNN）是一种常见的监督学习算法，用于分类和回归问题。它基于一个简单的思想：如果一个样本在特征空间中的k个最相似（即距离最近）的样本中的大多数属于某一个类别，那么该样本也属于这个类别。选择一个合适的k值，即要考虑的最近邻居的数量。使用适当的距离度量（如欧氏距离、曼哈顿距离、闵可夫斯基距离等），计算待分类样本与训练集中每个样本的距离。根据计算的距离找到离待分类样本最近的k个训练样本。
Dataset之LFW：LFW人脸数据库的简介、安装、使用方法之详细攻略(1)
最新发布
2401_85012262的博客
05-17 446
人脸数据集：是目前人脸识别的常用测试集，其中提供的人脸图片均来源于生活中的自然场景，因此识别难度会增大，尤其由于多姿态、光照、表情、年龄、遮挡等因素影响导致即使同一人的照片差别也很大。并且有些照片中可能不止一个人脸出现，对这些多人脸图像仅选择中心坐标的人脸作为目标，其他区域的视为背景干扰。LFW数据集共有13233张人脸图像，每张图像均给出对应的人名，共有5749人，且绝大部分人仅有一张图片。每张图片的尺寸为250X250，绝大部分为彩色图像，但也存在少许黑白人脸图片。
lfw(dataset+pairs).zip
02-26
LFW数据集主要测试人脸识别的准确率，该数据库从中随机选择了6000对人脸组成了人脸辨识图片对，其中3000对属于同一个人2张人脸照片，3000对属于不同的人每人1张人脸照片。测试过程LFW给出一对照片，询问测试中的系统...
人脸识别之insightface使用自己的数据集制作训练文件以及详细说明
12-22
# 3、制作验证集.bin文件 python recognition/tools/generate_image_valid.py #需要预先制作一个人物名单对应表，比如存放于valid.txt文件中 python recognition/tools/make_bin_tool/lfw2pack.py
LFW-Dataset.rar
03-16
LFW,Labeled Faces in the Wild。这是一个人脸识别的简单数据集，当然可以在官网进行下载。但是在官网下载实在是太慢了，当然你可以去试试。这个数据集经过筛选的裁剪的，比原数据集要小一些。
lfw数据集 lfw人脸数据库.zip
07-04
lfw数据集 lfw人脸数据库.zip 使用到FaceNet、FaceNet预训练模型、MTCNN、Haar人脸特征分类器、lfw人脸数据集，完成人脸识别功能；
lfw 人脸识别数据库
02-01
Labeled Faces in the Wild,官网下载，其中5749个人，其中1680人有两幅及以上的图像，4069人只有一幅图像。图像为250*250大小的JPEG格式。
LFW人脸识别数据集［裁剪＋对齐］
02-11
经典的ＬＦＷ人脸识别数据集．已经裁剪+对齐过，筛选出拥有大于10张图像的共99人,已分类．jpg格式彩色图像，像素250x250.
LFW人脸识别公开库3
05-15
Labeled Faces in the Wild,官网下载，比较大173M,分成四份,共13，233幅图像，其中5749个人，其中1680人有两幅及以上的图像，4069人只有一幅图像。图像为250*250大小的JPEG格式。
lfw人脸验证测试库（完整版）
03-17
lfw人脸验证测试库（完整版），文件太大了放在了云盘上，链接失效给我留言。。。
人脸识别数据集 LFW+CAS_PEAL 光照子集
01-12
人脸识别数据集 LFW+CAS_PEAL 光照子集
解决sklearn中 fetch_lfw_people安装失败问题
热门推荐
平凡
03-30 1万+
在学习特征脸时，要加载lfw_people，代码如下from sklearn.datasets import fetch_lfw_people faces = fetch_lfw_people()第一次使用的时候要下载数据，而且这个数据量非常大（一个200M的包），由于网络问题，很有可能下载不全。就会报下面的错误：这个问题到网上搜了下，貌似没有被提出来。于是自己摸索着解决了。首先，看一下下载的目...
LFW人脸数据集相关
静谧、淡雅
06-20 2894
1 简介 LFW (Labeled Faces in the Wild) 人脸数据库是由美国马萨诸塞州立大学阿默斯特分校计算机视觉实验室整理完成的数据库，主要用来研究人脸识别问题。 LFW 数据库主要是从互联网上搜集图像。 2 内容 3 LFW数据集主要测试人脸识别的准确率。 随机生成6000对人脸对，其中3000对为同...
通过TensorFlow 2.0搭建对抗网络模型，利用公开的人脸数据库LFW生成人脸的python代码。
06-08
以下是通过TensorFlow 2.0搭建对抗网络模型，利用公开的人脸数据库LFW生成人脸的Python代码： ```python import tensorflow as tf import numpy as np import matplotlib.pyplot as plt import os # 定义常量 BATCH_SIZE = 32 NOISE_DIM = 128 EPOCHS = 100 LR_D = 2e-4 LR_G = 2e-4 # 加载LFW数据集 (X_train, y_train), (_, _) = tf.keras.datasets.lfw.load_data() # 数据预处理 X_train = (X_train - 127.5) / 127.5 X_train = np.expand_dims(X_train, axis=-1) # 定义判别器模型 def make_discriminator_model(): model = tf.keras.Sequential() model.add(tf.keras.layers.Conv2D(64, (5, 5), strides=(2, 2), padding='same', input_shape=[64, 64, 1])) model.add(tf.keras.layers.LeakyReLU()) model.add(tf.keras.layers.Dropout(0.3)) model.add(tf.keras.layers.Conv2D(128, (5, 5), strides=(2, 2), padding='same')) model.add(tf.keras.layers.LeakyReLU()) model.add(tf.keras.layers.Dropout(0.3)) model.add(tf.keras.layers.Flatten()) model.add(tf.keras.layers.Dense(1)) return model # 定义生成器模型 def make_generator_model(): model = tf.keras.Sequential() model.add(tf.keras.layers.Dense(8 * 8 * 256, input_shape=(NOISE_DIM,))) model.add(tf.keras.layers.Reshape((8, 8, 256))) model.add(tf.keras.layers.Conv2DTranspose(128, (5, 5), strides=(1, 1), padding='same')) model.add(tf.keras.layers.BatchNormalization()) model.add(tf.keras.layers.LeakyReLU()) model.add(tf.keras.layers.Conv2DTranspose(64, (5, 5), strides=(2, 2), padding='same')) model.add(tf.keras.layers.BatchNormalization()) model.add(tf.keras.layers.LeakyReLU()) model.add(tf.keras.layers.Conv2DTranspose(1, (5, 5), strides=(2, 2), padding='same', activation='tanh')) return model # 定义生成器和判别器 generator = make_generator_model() discriminator = make_discriminator_model() # 定义损失函数 cross_entropy = tf.keras.losses.BinaryCrossentropy(from_logits=True) # 定义判别器损失函数 def discriminator_loss(real_output, fake_output): real_loss = cross_entropy(tf.ones_like(real_output), real_output) fake_loss = cross_entropy(tf.zeros_like(fake_output), fake_output) total_loss = real_loss + fake_loss return total_loss # 定义生成器损失函数 def generator_loss(fake_output): return cross_entropy(tf.ones_like(fake_output), fake_output) # 定义优化器 generator_optimizer = tf.keras.optimizers.Adam(LR_G) discriminator_optimizer = tf.keras.optimizers.Adam(LR_D) # 定义检查点 checkpoint_dir = './training_checkpoints' checkpoint_prefix = os.path.join(checkpoint_dir, "ckpt") checkpoint = tf.train.Checkpoint(generator_optimizer=generator_optimizer, discriminator_optimizer=discriminator_optimizer, generator=generator, discriminator=discriminator) # 定义创造噪声函数 def make_noise(num_examples, noise_dim): return tf.random.normal([num_examples, noise_dim]) # 定义训练函数 @tf.function def train_step(images): noise = make_noise(BATCH_SIZE, NOISE_DIM) with tf.GradientTape() as gen_tape, tf.GradientTape() as disc_tape: generated_images = generator(noise, training=True) real_output = discriminator(images, training=True) fake_output = discriminator(generated_images, training=True) gen_loss = generator_loss(fake_output) disc_loss = discriminator_loss(real_output, fake_output) gradients_of_generator = gen_tape.gradient(gen_loss, generator.trainable_variables) gradients_of_discriminator = disc_tape.gradient(disc_loss, discriminator.trainable_variables) generator_optimizer.apply_gradients(zip(gradients_of_generator, generator.trainable_variables)) discriminator_optimizer.apply_gradients(zip(gradients_of_discriminator, discriminator.trainable_variables)) # 定义训练函数 def train(dataset, epochs): for epoch in range(epochs): for image_batch in dataset: train_step(image_batch) # 每 10 个 epoch 保存一次生成器 if (epoch + 1) % 10 == 0: checkpoint.save(file_prefix=checkpoint_prefix) print('Epoch {} finished.'.format(epoch + 1)) # 生成并保存图片 def generate_and_save_images(model, epoch, test_input): predictions = model(test_input, training=False) fig = plt.figure(figsize=(4, 4)) for i in range(predictions.shape[0]): plt.subplot(4, 4, i+1) plt.imshow(predictions[i, :, :, 0] * 127.5 + 127.5, cmap='gray') plt.axis('off') plt.savefig('image_at_epoch_{:04d}.png'.format(epoch)) plt.show() # 训练模型 train_dataset = tf.data.Dataset.from_tensor_slices(X_train).shuffle(len(X_train)).batch(BATCH_SIZE) train(train_dataset, EPOCHS) # 生成图片 noise = make_noise(16, NOISE_DIM) generate_and_save_images(generator, 0, noise) ``` 注意，上述代码只是一个简单的例子，实际应用中还需要对超参数进行优化，以达到更好的生成效果。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值