人脸识别tensorflow_cnn_face_recognize

最新推荐文章于 2024-09-08 11:25:00 发布

勤奋的郑先生

最新推荐文章于 2024-09-08 11:25:00 发布

阅读量1.2k

点赞数 1

文章标签： tensorflow cnn face_recgonize python

本文链接：https://blog.csdn.net/weixin_41370083/article/details/81317028

版权

本文介绍了使用TensorFlow和CNN解决人脸识别的问题，对比了与dlib的差异，强调了CNN模型在无需设定阈值和处理大规模人脸库时的优势。通过二分类模型训练，实现了对个人脸部的准确识别。训练完成后，利用摄像头实时识别是否为本人。

摘要由CSDN通过智能技术生成

-------让系统认识我-------

-------人脸识别系统-------

---VERSION2：基于tensorflow_cnn来做模型

---背景：

上一篇我的github:zhenghaozhang（https://github.com/zhenghaozhang123/dlib_face_recognize）讲了利用dlib来进行人脸识别的例子，列举了三个缺点。

此处模型解决了上一篇讲到的两个缺点：

1.判定是否同一个人的阈值难以确定。

2.模型适合小型人脸数据库，一旦人脸数据库人数过多，此处的阈值更加难以确定。

---优点：

1.不再利用dist距离法，也就不再需要去定义阈值。因为上一篇我写到，阈值的值非常难定，特别是当人脸数据库人数多时，dist这个值是不稳定，甚至没办法确定的。因此我们利用cnn的模型，将思路从两张图片的dist距离转换为“是非”问题，即二分类问题。（1.是我数据库的人。0.不是我数据库的人）。从而解决阈值选择的困难。

2.模型可以是多样本模型，解决了DLIB存在的小样本模型的局限。上一篇我讲到，当人脸数量一旦增加时，dist将是不稳定的。而用tensorflow的cnn模型，我们可以将我们需要存进我们人脸数据库的人脸存进数据库，并将其定义为Label 1.训练时将不属于人脸数据库的数据定义为LABEL 0。因此成功将问题转换为二分类问题。相信二分类问题大家很熟悉了。

---缺点：

当我们完成训练好的模型之后，一旦我们要往人脸数据库中增加新成员，则需要重新去跑模型（因为模型需要去记住新的成员，所以模型需要重新训练）。我们知道在现实中，训练一个好的模型参数出来是需要花费大量时间的，如果一旦增加新成员，便重新训练模型，这个成本是相当高的，也不符合实际。（此处的缺点解决方案，我将在下一篇进行讲解）

此处为版本2.通过tensorflow_cnn，将定阈值问题转换为二分类问题。

此处案例为了简便讲解和与上一篇的案例做对比，依旧以识别本人项目为主。

现在开始我们的代码学习吧。

get_my_faces.py -----通过电脑摄像头实现对自己人脸的抓取，并储存在个人人脸数据库中，以备后面进行识别。

# -*- coding: utf-8 -*-
"""
Created on Mon Jul 30 15:22:58 2018
@author: MR.ZHENG
"""

import cv2
import dlib
import os
import sys
import random

output_dir = "D:/Git_code/tensorflow_dlib_face_recognize/my_face/"
size = 64

if not os.path.exists(output_dir):
    os.makedirs(output_dir)

# 改变图片的亮度与对比度,让图片更加易于识别
def relight(img, light=1, bias=0):
    w = img.shape[1]
    h = img.shape[0]
    #image = []
    for i in range(0,w):
        for j in range(0,h):
            for c in range(3):
                tmp = int(img[j,i,c]*light + bias)
                if tmp > 255:
                    tmp = 255
                elif tmp < 0:
                    tmp = 0
                img[j,i,c] = tmp
    return img

#使用dlib自带的frontal_face_detector作为我们的特征提取器
detector = dlib.get_frontal_face_detector()
# 打开摄像头 参数为输入流，可以为摄像头或视频文件
camera = cv2.VideoCapture(0)

index = 1
while True:
    if (index <= 10000):
        print('Being processed picture %s' % index)
        # 从摄像头读取照片
        success, img = camera.read()
        # 转为灰度图片
        gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
        # 使用detector进行人脸检测
        dets = detector(gray_img, 1)

        for i, d in enumerate(dets):
            x1 = d.top() if d.top() > 0 else 0