【项目实战】Python基于MTCNN+FaceNet+SVM进行人脸识别项目实战

说明：这是一个机器学习实战项目（附带数据+代码+文档+视频讲解），如需数据+代码+文档+视频讲解可以直接到文章最后获取。

1.项目背景

       人脸识别的现代研究始于20世纪60年代末。在近20年，随着计算机性能的不断提高和算法的不断发展，人脸识别有了重大突破，真正进入自动识别阶段。早期的应用主要为刑侦破案，随后应用在手机解锁等安全要求不鳥的场所，现今人脸识别己广泛应用于金融、司法、军队、教育等人类生活的各个领域，并且还在不断地开拓新领域。

       随着近年来深度卷积神经网络被引入人脸识别领域，使得人脸识别效果获得了巨大的提高。基于深度学习的人脸检测方法可Ｗ通过网络自动学习人脸面部特征，而且通过网络级联来提高人脸检测效率。该方法的输入为原始图像，不需要大量的前期工作，从而节省了时间和成本。并且相较于传统的机器学习检测方法，基于深度学习的人脸检测方法效果更好。

2.数据获取

本次建模数据来源于网络(本项目撰写人整理而成)，数据项统计如下：

数据详情如下(部分展示)：包含五个人的训练样本与验证样本。文件夹名称为人名，可作为数据集的标签。

 上图为五个人的日常图片。

上图为ben_afflek的图片，部分作为展示。

3.数据预处理

3.1 加载和读取数据

关键代码：

用MTCNN检测图像文件中的人脸，转换为指定尺寸，返回人脸图像的numpy矩阵格式。

4.探索性数据分析

4.1.标签样本统计

关键代码如下：

结果输出如下：

5.特征工程

5.1.用FaceNet提取特征

本项目使用FaceNet 预训练模型进行特征提取。

关键代码如下：

输出结果如下：

 训练集特征提取矩阵维度：

5.2.数据集特征标准化

关键代码如下：

输出结果如下：

5.2.数据集标签编码

由于数据集标签为字符模式，无法进行机器学习，所以对标签数据进行编码处理，转化为数字形式。

关键代码如下：

输出结果如下：

6.构建SVM人脸识别模型

主要使用SVM分类算法，用于目标检测。

6.1建立SVM模型

7.模型评估

关键代码：

准确率：

训练集准确率：100.0，验证集准确率：100.0

8.人脸图像随机测试

从验证集随机选取一张人脸图像进行检测识别。

关键代码：

结果如下：

9.结论与展望

综上所述，本文采用MTCNN对人脸图像进行预处理和优化、FaceNet进行特征提取、SVM进行人脸识别，最终证明了我们提出的模型效果良好。准确率达到了100%，可用于日常生活中进行建模预测，以提高价值。

image = Image.open(filename)  # 打开图像文件
image = image.convert('RGB')  # 颜色模式


# 本次机器学习项目实战所需的资料，项目资源如下：

链接：https://pan.baidu.com/s/1Z371Dkx3gjkl152GPCB5PA 
提取码：x16g






image = np.asarray(image)  # 图像转换为numpy矩阵格式
detector = MTCNN()  # 使用默认权重创建MTCNN人脸检测器
results = detector.detect_faces(image)  # 人脸检测
x1, y1, width, height = results[0]['box']  # 第一张脸的 bounding_box
x1, y1 = abs(x1), abs(y1)
x2, y2 = x1 + width, y1 + height
face = image[y1:y2, x1:x2]
image = Image.fromarray(face)
image = image.resize(required_size)  # 大小转换
face_array = np.asarray(image)