运行环境:
- ubuntu16 x64
- python >= 3.6.5
- pytorch >= 1.1.0
- torchvision >= 0.3.0
- 笔记本电脑华硕CPU i7-5500l GPU Geforce 940M
- 网络摄像头720p
人脸注册和人脸识别:
人脸注册和人脸识别两者使用相同的方式,人脸库大小为500*4=2000
拍摄注册底片时尽量使用相同背景,这里的测试图片是480p的,最好大于等于720p
测试数据集:
中科院开源的中国人脸数据集CASIA-FaceV5,包含500个人,每人5张共2500张照片
每个人的5张照片,其中4张作为底片注册到人脸库,另外1张作为识别对象
测试模型:
人脸检测和人脸对齐:
facex-zoo:
使用的目前准确度最好的retina网络和人脸关键点的检测模型pfld
500*4=2000张图片全部识别成功,成功率100%
insightface_pytorch:
使用的MTCNN模型
500*4=2000张图片,20张识别失败,成功率99%
人脸识别:
设置识别距离阈值为1.0(越小越好)
时间(包含检测时间):
facex-zoo
Resnet50-ir:500张人脸识别花费66.1296s,平均一张132ms
Mobilefacenet:500张人脸识别花费38.6608s,平均一张77ms
insightface_pytorch
Resnet50-irse:500张人脸识别花费64.3836s,平均一张128ms
Mobilefacenet:500张人脸识别花费24.5108s,平均一张49ms
准确率:
facex-zoo
Resnet50-ir:500张人脸全部识别成功,识别成功率为100%,识别的距离最大为0.58
Mobilefacenet:500张人脸全部识别成功,识别成功率为100%,识别的距离最大为0.88
insightface_pytorch
Resnet50-irse:500张人脸,一张识别失败(检测失败),一张识别错误(距离0.91),498张识别成功,识别成功率为99.6%,识别成功的距离最大为0.68
Mobilefacenet:500张人脸,一张识别失败(检测失败),四张识别错误(距离0.71,0.88, 0.92,0.96),495张识别成功,识别成功率为99.0%,识别成功的距离最大为0.91