基于CNN的人脸识别网络
代码文件说明
- FaceRecognation 人脸识别文件夹
|-----train 用于训练的文件夹,因为整个代码基本都需要训练,所以只看里面就好
|-----CPUNet 模型保存的文件夹
|-----data 数据加载文件夹
|-----data_txt 用于存放类别到人名,人名到类别的映射
|-----dataset 用于存放人脸数据
|-----models 用于存放网络框架
|-----script 用于存放一些基础文件,不用细看
|-----test_img 用于存放数据
|-----utils 常用训练分析工具,不用细看
|-----demo.py 主要程序入口,里面包含整个应用的所有关键代码
|-----get_img_video.py 用于使用摄像头捕获图片和视频
Facedetection.py人脸检测代码
技术栈
Opencv,Pyqt5,numpy,Pytorch,tqdm等库
算法流程
- 图像读取及预处理
本实验采用torchvision库里的transforms函数对图片进行预处理,包括缩放、转 Tensor、归一化操作。
- 搭建卷积神经网络
本实验采用分类方法做人脸识别,考虑到实时检测并识别人脸,这里是完全自主创新设计的网络,主要借鉴MobileNet框架,将基础CNN网络分解为Depthwise convolution和Pointwise convolution两部分(深度可分离卷积),减少计算量和参数量,网络框架基本结构的Block如下:
- 网络训练和测试
搭建完网络后,设置损失函数,优化器和评价指标。配置网络训练参数,包括训练集和测试集,训练轮数等参数,接着开始训练网络。调整网络训练参数,使网络收敛达到比较好的效果。最后使用测试集的数据对该模型进行测试,输出其精度、召回率、F1、准确率对该模型性能进行评估。
- 评价指标
(1)Precision(精度)
被正确检索的样本数与被检索到样本总数之比。即:TP / (TP + FP);
(2)Recall(召回率)
被正确检索的样本数与被检索到的样本总数之比。即:TP / (TP + FN);
(3)F1 score(F1分数)
F1分数是将精度和召回率组合而成的新的单一指标,用来综合考虑精度和召回率,只有当精度和召回率都很高时,才能得到较高的F1分数。
- 人脸检测方法
人脸检测方法使用的是opencv 自带的人脸检测方法,主要是基于haar方法提取关键点位置信息,然后在图中画出矩形框,人脸就是从矩形框中取出来,然后送到CNN网络中判别的。
【S2023071基于CNN的opencv+pyqt5的智能人脸实时识别检测系统(pytorch)】 https://www.bilibili.com/video/BV15M411M7cr/?share_source=copy_web&vd_source=3d18b0a7b9486f50fe7f4dea4c24e2a4