用FaceNet的模型计算人脸之间距离（TensorFlow）

最新推荐文章于 2024-06-26 09:44:00 发布
最新推荐文章于 2024-06-26 09:44:00 发布
阅读量1.6w 收藏 28
点赞数 2
分类专栏： 研究有意思 拾遗iOS之海
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/cloudox_/article/details/78646063
版权
本文介绍了如何利用FaceNet模型计算人脸之间的距离，通过128维特征向量的欧氏距离判断人脸是否属于同一人。环境为macOS和Python 3.6.3，使用TensorFlow 1.3.0。提供了获取模型文件的方法和计算人脸距离的Python代码逻辑，包括图片尺寸要求和预训练模型路径。实验结果显示，不同人脸的Distance值较高，而相同人脸或同一图片的Distance值接近0。
摘要由CSDN通过智能技术生成

引

2015年Google的研究人员发表了一篇论文：FaceNet: A Unified Embedding for Face Recognition and Clustering，是关于人脸识别的，他们训练一个网络来得到人脸的128维特征向量，从而通过计算特征向量之间的欧氏距离来得到人脸相似程度。在LFW上面取得了当时最好的成绩，识别率为99.63%。

传统的基于CNN的人脸识别方法为：利用CNN的siamese网络来提取人脸特征，然后利用SVM等方法进行分类。而这篇文章中他们提出了一个方法系统叫作FaceNet，它直接学习图像到欧式空间上点的映射，其中呢，两张图像所对应的特征的欧式空间上的点的距离直接对应着两个图像是否相似。

人脸之间距离

如上图所示，直接得出不同人脸图片之间的距离，通过距离就可以判断是否是同一个人，阈值大概在1.1左右。

而现在我要做的，就是用训练好的模型文件，实现任意两张人脸图片，计算其FaceNet距离。然后就可以将这个距离用来做其他的事情了。

环境

  • macOS 10.12.6
  • Python 3.6.3
  • TensorFlow 1.3.0

实现

模型文件

最低0.47元/天 解锁文章
Cloudox_
关注
  • 2
    点赞
  • 踩
  • 28
    收藏
    觉得还不错? 一键收藏
  • 6
    评论
专栏目录
基于MMOD方法的人脸识别模型
kkkkkkddddd15的博客
01-30 755
但在大作业中，通过对所给论文的仔细研读，对算法原理有了更加深刻的理解，所引《Max-Margin Object Detection》中所用的拉格朗日函数，KKT条件，都已经在平时的课程中学习过，却没想到将其在计算机上的实现，实在是惭愧，好在的是，经过十周的学习，《机器学习》这门课激发了我对于用计算机编程来解决现实问题的兴趣，尤其是对本文所提及的人脸识别的兴趣，在接下来的学习过程中，我会积极寻求胡老师和同学的帮助，将所学的数学知识运用到实践中，来提高自己编写算法的能力，以求制作出更好的人脸识别模型。
OpenCV实践之路——人脸识别之二模型训练
热门推荐
星沉阁
05-14 6万+
本文由@星沉阁冰不语出品，转载请注明作者和出处。 文章链接：http://blog.csdn.net/xingchenbingbuyu/article/details/51386949 微博：http://weibo.com/xingchenbing  在之前的博客人脸识别之一数据收集和预处理之中，已经下载了ORL人脸数据库，并且为了识别自己的人脸写了一个拍照程序自拍
推荐开源项目：mobilefacenet-caffe — 实时人脸识别的高效解决方案
最新发布
gitblog_00100的博客
06-26 330
推荐开源项目：mobilefacenet-caffe — 实时人脸识别的高效解决方案 项目地址:https://gitcode.com/KaleidoZhouYN/mobilefacenet-caffe 1、项目介绍 mobilefacenet-caffe 是一个基于 Caffe 框架的 MobileFaceNet 实现，专注于在移动设备上进行实时、高精度的人脸验证。它以轻量级的设计和高效的运算性...
人脸识别模型
weixin_45451576的博客
08-06 1179
人脸识别模型
人脸识别模型搭建
m1050599054的博客
08-31 3130
建立一个基于CNN的人脸识别模型 在第一部分我们已经写完了一些数据预处理的方法，这些数据预处理的方法，在我们接下来依然要使用，无论是我们送入模型做训练的数据，还是用模型去识别的数据都需要进行预处理，这与我们使用框架提供给我们的数据是不同的 下面我们来一步步完成这个模型 首先导入我们需要的包 from keras.applications import ResNet50 from keras.mod...
Keras-深度学习-神经网络-人脸识别模型
笔记
06-27 1694
①导入所需的库，导入了 Keras 和其他必要的库，用于构建和处理图像数据。②加载人脸数据并进行处理，并将其划分为训练集和测试集。每个人的图像按顺序排列，训练集包含每个人前6张图像，测试集包含剩余的图像。每个图像都被转换为像素值列表，并与相应的标签一起存储。③将数据变为四维张量并归一化，图像数据需要转换为四维张量，维度是（样本数，图像高度，图像宽度，通道数）。此处将图像数据的通道数设置为1，表示灰度图像。然后对图像数据进行归一化处理，将像素值缩放到0到1之间。
基于Python 用 FaceNet 的模型计算人脸之间距离（TensorFlow)【100011770】
04-10
传统的基于 CNN 的人脸识别方法为：利用 ...而这篇文章中他们提出了一个方法系统叫作 FaceNet，它直接学习图像到欧式空间上点的映射，其中呢，两张图像所对应的特征的欧式空间上的点的距离直接对应着两个图像是否相似。
facenet tensorflow人脸识别预训练神经模型
04-09
预训练的Facenet模型可以从已有的大规模人脸数据库，如VGGFace或CASIA-WebFace等，学习到丰富的面部特征。这种模型可以直接应用于人脸验证（判断两个人脸是否属于同一个人）、人脸识别（识别出特定个体的人脸）或者...
使用facenet框架做人脸识别的两个（20180402-114759和20180408-102900）预训练模型
05-21
- **特征提取**：通过facenet模型将人脸区域转换为固定长度的特征向量。 - **匹配**：计算两幅图像特征向量的欧氏距离或余弦相似度，判断是否属于同一人。 6. **应用场景**： 人脸识别技术广泛应用于安全监控、...
Facenet-Caffe：使用hnswlib和flask进行Facenet识别和检索，将Tensorflow模型转换为Caffe
02-05
Tensorflow（仅用于转换模型） 网络应用 跑步 python faceServer.py 8000 模型路径和保存路径在faceServer.py的顶部定义 caffe_model_path = "./mtcnn" imgSavePath = "static/uploadImages" faceSearchData
FaceNet 人脸识别 预训练模型 20180402-114759.zip
07-04
Google提出的开源人脸识别算法FaceNet的预训练模型，FaceNet的官方的预训练模型，20180402-114759 NOTE: If you use any of the models, please do not forget to give proper credit to those providing the ...
keras-face-recognition:这是一个基于mtcnn和facenet的人脸识别模型，可实现在线人脸识别
05-11
Face-Recognition：人脸识别算法在Keras当中的实现 目录 所需环境 tensorflow-gpu==1.13.1 keras==2.1.5 文件下载 进行预测所需的facenet_keras.h5可以在Release里面下载。 也可以去百度网盘下载 链接: 提取码: tkhg 使用方法 1、先将整个仓库download下来。 2、下载完之后解压，同时下载facenet_keras.h5文件。 3、将facenet_keras.h5放入model_data中。 4、将自己想要识别的人脸放入到face_dataset中。 5、运行face_recognize.py即可。 6、align.py可以查看人脸对齐的效果。 效果 face_recognize.py的运行结果： )
MTCNN人脸检测模型
09-20
MTCNN（多任务卷积神经网络）人脸检测三个级联层pnet，rnet，onet的pb模型
高性能人脸识别模型：CNN_faces_recognition
gitblog_00001的博客
04-03 415
高性能人脸识别模型：CNN_faces_recognition 项目地址:https://gitcode.com/AIBigTruth/CNN_faces_recognition 在人工智能领域，人脸识别是一项广泛应用的技术，从安全门禁到社交媒体的标签功能，无处不在。CNN_faces_recognition 是一个基于深度学习的人脸识别项目，利用卷积神经网络（CNN）的强大能力，实现了高效、准...
人脸识别之DeepFace模型
hh_2018的博客
06-05 3万+
之前了解过了DeepID和FaceNet网路结构，但根据一些博客的说法DeepFace是深度学习用在人脸识别领域的奠基之做，所以也看了一下DeepFace的理论，现在主要将自己的理解梳理一下，如理解有误希望能及时指出。 首先还是给出文章的地址，想看文章的朋友可以点击链接下载文章地址。 该文章介绍了整个方法的流程以及实验的结果。DeepFace在进行人脸识别的过程中采用的是检测——对齐——提取——...
人脸识别5.1.3- insightface人脸识别模型arcface-Paddle
qq_15821487的博客
09-07 1693
n的矩阵，然后对于W的每一列（代表每一类的center）进行Normalization，两个都标准化以后，当它们的模为1的时候，W和X做矩阵相乘得到全连接层的输出，就是cosθ的值（严格讲是||xi/(||xi||)||*||Wj/(||Wj||)||*cosθj，因为前面两项都是1，所以就是cosθj）。其中，特征提取作为人脸识别最关键的步骤，提取到的特征更偏向于该人脸独有的特征，对于特征匹配起到举足轻重的作用，而我们的网络和模型承担着提取特征的重任，优秀的网络和训练策略使得模型更加健壮。
【人脸识别/轻量级模型】MobileFaceNet：适用于人脸识别的轻量级网络模型（文末附pytorch代码）
Roaddd的博客
02-06 4479
MobileFaceNet：用于人脸识别的轻量级网络模型
Dlib模型实现人脸识别
weixin_46075497的博客
11-18 5009
一、安装dlib库 下载Dlib安装包 下载链接：http://dlib.net/files/ 本文章下载的是dlib-19.14.zip，下载完成后解压安装dlib 安装Cmake 下载链接：https://cmake.org/download/ 下载安装包直接点击安装就行，注意环境变量的设置 下载boost 下载链接：http://www.boost.org/ 下载之后将其解压缩，进入解压后的文件夹中，找到bootstrap.bat批处理文件，双击运行，等待运行完成后（命令行自动消失）会生成文件b2.e
深度学习之 人脸识别（2） 模型
ClarkChang的博客
07-03 1万+
    人脸识别分两个部分：   第一步：人脸图片预处理，即检测图片中人脸并裁剪成指定尺寸的人脸图。   第二步：人脸识别，包括模型训练、目标人脸分类训练、 预测目标人脸。   1. 理论概述 前馈深度网路 1.2 卷积神经网络 2. 人脸识别实例 2.1 人脸识别概述 2.1.1 人脸检测、对齐 2.1.2 人脸识别 2.2 实例 2.2.1 Inception模型 2.2.2 训练模型 2....
使用tensorflow框架运行facenet模型
03-04
Facenet是一个用于人脸识别和人脸验证的深度学习模型，它基于TensorFlow框架实现。下面是使用TensorFlow框架运行Facenet模型的步骤： 1. 安装TensorFlow：首先，你需要安装TensorFlow框架。你可以通过pip命令来安装TensorFlow，例如：`pip install tensorflow`。 2. 下载Facenet模型：你可以从Facenet的GitHub仓库中下载预训练的模型。在GitHub仓库的[releases页面](https://github.com/davidsandberg/facenet/releases)中，你可以找到不同版本的预训练模型。选择一个适合你的需求的模型，并下载它。 3. 加载模型：使用TensorFlow加载Facenet模型。你可以使用TensorFlow提供的`tf.saved_model.load()`函数来加载模型。例如： ```python import tensorflow as tf model = tf.saved_model.load('path/to/saved_model') ``` 这将加载Facenet模型，并将其存储在`model`变量中。 4. 预处理输入图像：在将图像输入Facenet模型之前，你需要对图像进行预处理。通常，这包括将图像调整为模型所需的大小，并进行归一化处理。你可以使用TensorFlow提供的函数来完成这些操作。例如： ```python import tensorflow as tf from PIL import Image def preprocess_image(image_path): image = Image.open(image_path) image = image.resize((160, 160)) # 调整图像大小为160x160 image = tf.keras.preprocessing.image.img_to_array(image) image = (image - 127.5) / 128.0 # 归一化处理 return image image = preprocess_image('path/to/image.jpg') ``` 这将加载图像，并将其调整为160x160的大小，并进行归一化处理。 5. 运行模型：使用加载的模型对预处理后的图像进行推理。你可以使用TensorFlow提供的`model.predict()`函数来运行模型。例如： ```python import tensorflow as tf embedding = model.predict(tf.expand_dims(image, axis=0)) ``` 这将对图像进行推理，并生成一个表示人脸特征的嵌入向量。 以上是使用TensorFlow框架运行Facenet模型的基本步骤。你可以根据自己的需求进行进一步的调整和优化。
评论 6
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