基于CNN的人脸识别检测系统

基于CNN的人脸识别网络

代码文件说明

1. 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

1. 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。

1. 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：

1. 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。

1. 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。

1. 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