基于facenet_pytorch实现人脸识别

介绍

facenet-pytorch库里面包含了两个重要功能：人脸检测和人脸识别，其中人脸检测部分使用mtcnn算法，人脸识别部分使用Facenet算法。利用这个库，可以轻松实现人脸检测和人脸向量映射操作。

依赖安装

pip install torch torchvision torchaudio -i https://pypi.mirrors.ustc.edu.cn/simple/
pip install facenet_pytorch -i https://pypi.mirrors.ustc.edu.cn/simple/

安装完成后
C:\Users\Administrator.cache\torch\checkpoints 路径将会生成

运行代码

import cv2
import torch
from facenet_pytorch import MTCNN, InceptionResnetV1


# 获得人脸特征向量
def load_known_faces(dstImgPath, mtcnn, resnet):
    aligned = []
    knownImg = cv2.imread(dstImgPath)  # 读取图片
    face = mtcnn(knownImg)  # 使用mtcnn检测人脸，返回【人脸数组】

    if face is not None:
        aligned.append(face[0])
    aligned = torch.stack(aligned).to(device)
    with torch.no_grad():
        known_faces_emb = resnet(aligned).detach().cpu()  # 使用resnet模型获取人脸对应的特征向量
    print("\n人脸对应的特征向量为：\n", known_faces_emb)
    return known_faces_emb, knownImg


# 计算人脸特征向量间的欧氏距离，设置阈值，判断是否为同一个人脸
def match_faces(faces_emb, known_faces_emb, threshold):
    isExistDst = False
    distance = (known_faces_emb[0] - faces_emb[0]).norm().item()
    print("\n两张人脸的欧式距离为：%.2f" % distance)
    if (distance < threshold):
        isExistDst = True
    return isExistDst


if __name__ == '__main__':
    # help(MTCNN)
    # help(InceptionResnetV1)
    # 获取设备
    device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
    print(device)
    # mtcnn模型加载【设置网络参数，进行人脸检测】
    mtcnn = MTCNN(min_face_size=12, thresholds=[0.2, 0.2, 0.3], keep_all=True, device=device)
    # InceptionResnetV1模型加载【用于获取人脸特征向量】
    resnet = InceptionResnetV1(pretrained='vggface2').eval().to(device)
    MatchThreshold = 0.8  # 人脸特征向量匹配阈值设置

    known_faces_emb, _ = load_known_faces('1.jpg', mtcnn, resnet)  # 已知人物图
    # bFaceThin.png  lyf2.jpg
    faces_emb, img = load_known_faces('1.jpg', mtcnn, resnet)  # 待检测人物图
    isExistDst = match_faces(faces_emb, known_faces_emb, MatchThreshold)  # 人脸匹配
    print("设置的人脸特征向量匹配阈值为：", MatchThreshold)
    if isExistDst:
        boxes, prob, landmarks = mtcnn.detect(img, landmarks=True)  # 返回人脸框，概率，5个人脸关键点
        print('由于欧氏距离小于匹配阈值，故匹配')
    else:
        print('由于欧氏距离大于匹配阈值，故不匹配')

结果显示，两张图片中人脸的欧氏距离大于设定的匹配阈值，故不匹配，也就是说两张人脸不是同一个人。
这样的话，我们的代码就能实现简单的人脸识别啦！

下面对常用的方法进行一定的说明

• MTCNN类：创建MTCNN模型，用于人脸的检测

该类的常用初始化参数：

参数	意义
image_size	输出图像大小，默认160
margin	添加到预测框的margin值，默认为0
min_face_size	最小的搜索人脸的大小，默认为20
thresholds	人脸检测阈值，默认为[0.6, 0.7, 0.7]
factor	用于创建图像金字塔的缩放因子，默认为0.709
post_process	是否进行后处理，默认为True
select_largest	如果为True，返回检测到人脸中最大的，否则返回概率最大的，默认为True
selection_method	用何种方式选择人脸，和上面的参数有点类似，默认为None
keep_all	如果为True，所有检测到的人脸都返回，默认为False
device	指定设备信息，默认为None

该类的常用方法：

方法	参数	作用	举例
前向传播方法	图像、保存路径、是否返回概率值	基本的运行流程，但是返回人脸的数组	mtcnn(img.path.True)
detect	图像、是否返回人脸关键点	与前向传播类似，但是返回预测框坐标和概率值	mtcnn.detect(img,False)

运行结果

F:\softs\python3.9.5\python.exe E:/pythonLearn/videoFaceRecongnition/人脸标记/test_face.py
cpu

人脸对应的特征向量为：
 tensor([[ 2.6100e-02,  3.7316e-02, -5.3456e-02, -3.9613e-03,  4.5849e-02,
         -2.9891e-02, -3.3390e-02,  1.7524e-02,  2.5169e-02, -3.8078e-03,
          2.2210e-02,  1.1796e-02,  2.4897e-03, -4.4492e-02,  3.1836e-02,
          4.2941e-02,  6.3914e-02,  8.9246e-02,  2.1192e-02,  7.9531e-02,
          5.1919e-02,  2.6038e-02,  1.4765e-02, -3.4487e-02,  1.9160e-03,
         -2.1372e-02,  8.1666e-02, -4.0598e-02, -2.2622e-03,  2.9139e-02,
          1.7868e-02,  1.8562e-02,  5.0050e-03,  5.8584e-02,  2.7155e-02,
         -5.5719e-02, -2.4750e-03, -4.1908e-02,  5.4327e-02,  2.1380e-02,
          4.3770e-03, -1.0616e-01, -8.1742e-02, -2.4625e-02, -7.1361e-02,
          3.9652e-02, -4.6673e-02, -8.1896e-03, -4.5516e-02,  6.9030e-02,
         -1.9769e-02, -8.5650e-02, -4.5211e-02, -7.2584e-03, -3.3707e-02,
         -6.4752e-02,  1.2951e-02, -3.9337e-02,  2.8350e-02, -2.5967e-02,
         -3.7398e-02,  8.7172e-02, -2.9438e-02,  9.1939e-02, -2.8188e-02,
         -7.2035e-02, -1.8008e-02, -8.1089e-02,  8.8959e-03, -5.1844e-02,
         -1.9821e-02, -4.8104e-02, -5.3584e-02,  1.8220e-02,  1.7117e-02,
          2.1732e-02, -4.8589e-02, -5.2602e-02,  1.9207e-02, -8.7093e-02,
          6.2496e-02, -2.7798e-02, -1.6133e-02, -9.3462e-02,  1.4513e-02,
         -3.3144e-02,  2.6529e-02,  2.9093e-02, -3.1128e-02, -4.1118e-02,
         -7.4153e-02, -1.8401e-02, -9.5622e-03, -4.0357e-04,  3.7374e-02,
         -7.1842e-03, -6.107