facenet

最新推荐文章于 2024-05-28 11:41:08 发布

夏华东的博客

最新推荐文章于 2024-05-28 11:41:08 发布

阅读量927

点赞数

本文链接：https://blog.csdn.net/weixin_44493841/article/details/104861450

版权

mtcnn+FaceNet

本篇文章也可以看我的博客

安装requirements.txt依赖

pip install -r requirements.txt

下载预训练模型:

facenet提供了两个预训练模型，分别是基于CASIA-WebFace和MS-Celeb-1M人脸库训练的，不过需要去谷歌网盘下载，这里给其中一个模型的百度网盘的链接：
链接: 预训练模型百度网盘地址提取码: zs6u
复制这段内容后打开百度网盘手机App，操作更方便哦
下载完成后，把预训练模型的文件夹拷贝在刚才的文件夹里。用pycharm打开这个工程文件如图：
$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-KxPCkYCf-1584171391948)(C:\Users\xiahuadong\Pictures\截图\37.png)]$
data文件夹也可以创建到其他盘：
$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Vh9HyaRw-1584171391949)(C:\Users\xiahuadong\Pictures\截图\43.png)]$

运行人脸比对程序（compare.py）。

facenet可以直接比对两个人脸经过它的网络映射之后的欧氏距离。
-1、在compare.py所在目录下放入要比对的文件1.png和2.png。
-2、运行compare.py文件，但是会报错如下：
$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-txv1RfQS-1584171391950)(C:\Users\xiahuadong\Pictures\截图\38.png)]$
这是因为这个程序需要输入参数，在上方的工具栏里选择Run>EditConfigurations ,在Parameters中配置参数：20170512-110547 1.png 2.png。再次运行程序
$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ck9t6I9E-1584171391950)(C:\Users\xiahuadong\Pictures\截图\39.png)]$
可以看到，程序会算出这两个图片的差值矩阵
$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-HgGRCiNm-1584171391950)(C:\Users\xiahuadong\Pictures\截图\40.png)]$

图片预处理——运行人脸对齐程序（align\align_dataset_mtcnn.py）。

我们可以下载LFW数据集用来测试这个程序，也为后边的训练函数做好数据准备。
下载链接：http://vis-www.cs.umass.edu/lfw/。下载后解压在data文件夹中。
或者：链接: 预训练模型百度网盘地址提取码: fzjp
复制这段内容后打开百度网盘手机App，操作更方便哦
因为程序中神经网络使用的是谷歌的“inception resnet v1”网络模型，这个模型的输入时160160的图像，而我们下载的LFW数据集是250250限像素的图像，所以需要进行图片的预处理。
在运行时需要输入的参数：
input_dir:输入图像的文件夹（C:\Users\xiahuadong\Pictures\dataset\FaceNetData\lfw）
output_dir:输出图像的文件夹（C:\Users\xiahuadong\Pictures\dataset\FaceNetData\lfw_160）
指定裁剪后图片的大小：–image_size 160 --margin 32 --random_order（如果不指定，默认的裁剪结果是182*182像素的）
比如我的是：C:\Users\xiahuadong\Pictures\dataset\FaceNetData\lfw C:\Users\xiahuadong\Pictures\dataset\FaceNetData\lfw_160 --image_size 160 --margin 32 --random_order
如果在pycharm中运行，按照同样的方法配置以上参数如下：
$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-foNPnqhn-1584171391950)(C:\Users\xiahuadong\Pictures\截图\41.png)]$

运行训练程序：（train_tripletloss.py）

前边已经下载并处理好了LFW的数据集，现在，可以进行训练了。
运行之前，要在train_tripletloss.py中把加载数据的路径改成自己的数据集所在路径，如下图：
$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-StW9lFHQ-1584171391950)(C:\Users\xiahuadong\Pictures\截图\42.png)]$
注：train_tripletloss.py和train_softmax.py的区别：这是作者对论文做出的一个延伸，除了使用facenet里提到的train_tripletloss三元组损失函数来训练，还实现了用softmax的训练方法来训练。当然，在样本量很小的情况下，用softmax训练会更容易收敛。但是，当训练集中包含大量的不同个体(超过10万)时，最后一层的softmax输出数量就会变得非常大，但是使用train_tripletloss的训练仍然可以正常工作。

程序主要函数介绍

align/ ：用于人脸检测与人脸对齐的神经网络
facenet ：用于人脸映射的神经网络
util/plot_learning_curves.m:这是用来在训练softmax模型的时候用matlab显示训练过程的程序
二、facenet/contributed/相关函数：
1、基于mtcnn与facenet的人脸聚类
代码：facenet/contributed/cluster.py（facenet/contributed/clustering.py实现了相似的功能，只是没有mtcnn进行检测这一步）
主要功能：
① 使用mtcnn进行人脸检测并对齐与裁剪
② 对裁剪的人脸使用facenet进行embedding
③ 对embedding的特征向量使用欧式距离进行聚类
2、基于mtcnn与facenet的人脸识别（输入单张图片判断这人是谁）
代码：facenet/contributed/predict.py
主要功能：
① 使用mtcnn进行人脸检测并对齐与裁剪
② 对裁剪的人脸使用facenet进行embedding
③ 执行predict.py进行人脸识别（需要训练好的svm模型）
3、以numpy数组的形式输出人脸聚类和图像标签
代码：facenet/contributed/export_embeddings.py
主要功能：
① 需要对数据进行对齐与裁剪做为输入数据
② 输出embeddings.npy；labels.npy；label_strings.npy

夏华东的博客

关注

0
点赞
踩
3

收藏

觉得还不错? 一键收藏
打赏
0
评论
facenet

mtcnn+FaceNet安装requirements.txt依赖pip install -r requirements.txt下载预训练模型:facenet提供了两个预训练模型，分别是基于CASIA-WebFace和MS-Celeb-1M人脸库训练的，不过需要去谷歌网盘下载，这里给其中一个模型的百度网盘的链接：链接: 预训练模型百度网盘地址提取码: zs6u复制这段内容后打开百度...
复制链接

扫一扫