人脸相关的任务包括:
1、人脸检测(人脸五官位置检测,用于人脸对齐;人脸关键点检测;)
2、人脸跟踪:在视频中跟踪人脸位置
3、人脸验证:1:1,判断两张图片是不是同一个人
4、人脸识别:1:n,输入一张人脸,判断其属于数据库中的哪个人
5、人脸聚类:输入一批人脸,将属于同一人的自动归为一类
facenet简介:
Google工程师Florian Schroff,Dmitry Kalenichenko,James Philbin提出了人脸识别FaceNet模型,该模型没有用传统的softmax的方式去进行分类学习,而是抽取其中某一层作为特征,学习一个从图像到欧式空间的编码方法,然后基于这个编码再做人脸识别、人脸验证和人脸聚类等。所以FacceNet模型学习并输出的是脸部的特征表示,不同人的面部特征表示是不同的,通过计算两个面部特征的距离,来达到不同面部分类的目的。当人脸特征距离小于1.06可看作是同一个人。
使用FaceNet可以使用已经训练好的模型,也可以自己训练模型。Facenet模型是一个通用的系统,采用CNN神经网络将人脸彩色图像或者灰度图像编码(embedings)为128维或者512维的数据,此数据表征了此人脸的特征,并映射到的欧几里得空间,我们可以根据两幅人像的欧几里得距离去判断两个人像的相似程度。使用FaceNet可以使用已经训练好的模型,也可以自己训练模型。Facenet模型是一个通用的系统,采用CNN神经网络将人脸图像映射到128维的欧几里得空间,我们可以根据两幅人像的欧几里得距离去判断两个人像的相似程度。
人脸对齐使用的是基于深度学习方法的mtcnn人脸检测,2016年Kaipeng Zhang, Zhanpeng Zhang, Zhifeng Li, Yu Qiao提出了人脸检测MTCNN(Multi-task Cascaded Convolutional Net works )模型,MTCNN模型流程如下:
利用开源的人脸识别工程facenet,迁移训练自己的模型:
First step:下载facenet源码
git clone https://github.com/davidsandberg/facenet.git
Second step:下载预训练模型
作者提供了两个预训练模型,分别是基于CASIA-WebFace和VGGFace2的人脸数据库,如果下载需要翻墙到谷歌网盘才可以下载,我下载了其中一个20180402-114759模型,后续再分享网盘~
Third step:安装依赖
pip install -r requirement.txt
依赖包包括如下:
tensorflow == 1.7
scipy
scikit-learn
opencv-python
h5py
matplotlib
pillow
requests
psutil
Forth step:运行人脸对比的程序
facenet计算的是图片中的两个人脸经过facenet的网络映射之后的欧氏距离
1、cd facenet/src目录下,即compare.py的目录下,对比1.jpg和2.jpg
2、运行compare.py文件
python compare.py 20180402-114759 1.jpg 2.jpg
3、运行结果如下: