deeplearning.37人脸识别算法实践

最新推荐文章于 2024-06-14 12:23:12 发布
最新推荐文章于 2024-06-14 12:23:12 发布
阅读量522 收藏 2
点赞数
分类专栏： 深度学习 文章标签： 算法 深度学习 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_48681463/article/details/120678669
版权

人脸识别实践

准备相关资料和数据

使用pycharm新建工程，然后下载相关资料和数据到工程文件夹下，并新建一个face.py进行后续编写代码。资料下载地址

人脸识别简介

人脸识别系统通常被分为两大类：

  • 人脸验证：“这是不是本人呢？”，比如说，在某些机场你能够让系统扫描您的面部并验证您是否为本人从而使得您免人工检票通过海关，又或者某些手机能够使用人脸解锁功能。这些都是1：1匹配问题。

  • 人脸识别：“这个人是谁？”，比如说，在视频中的百度员工进入办公室时的脸部识别视频的介绍，无需使用另外的ID卡。这个是1：K的匹配问题。

FaceNe（一个人脸识别网络）t可以将人脸图像编码为一个128位数字的向量从而进行学习，通过比较两个这样的向量，那么我们就可以确定这两张图片是否是属于同一个人。

导入相关的包

from keras.models import Sequential
from keras.layers import Conv2D, ZeroPadding2D, Activation, Input, concatenate
from keras.models import Model
from keras.layers import BatchNormalization
from keras.layers.pooling import MaxPooling2D, AveragePooling2D
from keras.layers.merge import Concatenate
from keras.layers.core import Lambda, Flatten, Dense
from keras.initializers import glorot_uniform
import keras.engine.saving
from keras import backend as K

#------------用于绘制模型细节，可选--------------#
from IPython.display import SVG
from keras.utils.vis_utils import model_to_dot
from keras.utils.vis_utils import plot_model
#------------------------------------------------#

K.set_image_data_format('channels_first')

import time
import cv2
import os
import numpy as np
from numpy import genfromtxt
import pandas as pd
import tensorflow as tf
import fr_utils
from inception_blocks_v2 import *

简单的人脸验证

在人脸验证中，你需要给出两张照片并想知道是否是同一个人，最简单的方法是逐像素地比较这两幅图像，如果图片之间的误差小于选择的阈值（一个误差设定值），那么则可能是同一个人。左图是数据库图像，右图是输入图像，如果误差小于设定值，那么输出预测y为1，同一个人。
在这里插入图片描述
当然，此算法的性能确实很差，因为像素值会由于光照，人脸方向，甚至头部位置的微小变化等因素而急剧变化。你会发现，可以编码f（img）而不是使用原始图像，这样对该编码进行逐元素比较就可以更准确地判断两张图片是否属于同一个人。

人脸图像编为128维向量

使用ConvNet计算编码

FaceNet模型需要大量训练数据并需要很长时间去训练。因此，按照深度学习中的常规应用做法，我们加载已经训练好的权重。可以查看文件inception_blocks.py以了解其实现方式。训练好的权重和blocks.py等文件都在下载的资料里。

关键信息如下

  • 该网络使用了96✖96的RGB图像作为输入数据，图像数量为m，输入的数据维度为（m，nc，nh，nw）=（m，3，96，96）
  • 输出为（m，128）的已经编码的m个128位的向量。

运行以下代码创建一个人脸识别的模型

#获取模型
FRmodel = faceRecoModel(input_shape=(3,96,96))

#打印模型的总参数数量
print("参数数量：" + str(FRmodel.count_params()))

输出如下
在这里插入图片描述
注意：当运行时出现跟importBatchNormLization有关的错误时，把引入代码换为如下

from keras.layers import BatchNormalization

通过使用128神经元全连接层作为最后一层，该模型确保输出是大小为128的编码向量，然后使用比较两个人脸图像的编码如下
在这里插入图片描述
因此，如果满足下面两个条件的话，编码是一个比较好的方法：

  • 同一个人的两个图像的编码非常相似。

  • 两个不同人物的图像的编码非常不同。

  • 三元组损失函数是给定三个图片，一个基本样例，一个同一人的另张相似图，一个别人的图，进行计算对比。

我们将使用三元组图像 （ A ， P ， N ）进行训练：

A是“Anchor”，是一个人的图像。

P是“Positive”，是相对于“Anchor”的同一个人的另外一张图像。

N是“Negative”，是相对于“Anchor”的不同的人的另外一张图像。
在这里插入图片描述
注意：

  • 项（1）是给定三元组的锚示例“A”与正示例“P”之间的平方距离；期望最小化的值。
  • 项（2）是给定三元组的锚示例“A”和负示例“N”之间的平方距离，期望该值相对较大，因此在它前面有一个负号是有意义的。
  • α称为边距。它是一个超参数可以手动调节。我们将使用α=0.2。

定义三元组损失函数 并测试输出

# 定义三元组损失函数
def triplet_loss(y_true, y_pred, alpha=0.2):
    """
    根据公式（4）实现三元组损失函数

    参数：
        y_true -- true标签，当你在Keras里定义了一个损失函数的时候需要它，但是这里不需要。
        y_pred -- 列表类型，包含了如下参数：
            anchor -- 给定的“anchor”图像的编码，维度为(None,128)
            positive -- “positive”图像的编码，维度为(None,128)
            negative -- “negative”图像的编码，维度为(None,128)
        alpha -- 超参数，阈值

    返回：
        loss -- 实数，损失的值
    """
    # 获取anchor, positive, negative的图像编码
    anchor, positive, negative = y_pred[0], y_pred[1], y_pred[2]

    # 第一步：计算"anchor" 与 "positive"之间编码的距离，这里需要使用axis=-1
    pos_dist = tf.reduce_sum(tf.square(tf.subtract(anchor, positive)), axis=-1)

    # 第二步：计算"anchor" 与 "negative"之间编码的距离，这里需要使用axis=-1
    neg_dist = tf.reduce_sum(tf.square(tf.subtract(anchor, negative)), axis=-1)

    # 第三步：减去之前的两个距离，然后加上alpha
    basic_loss = tf.add(tf.subtract(pos_dist, neg_dist), alpha)

    # 通过取带零的最大值和对训练样本的求和来计算整个公式
    loss = tf.reduce_sum(tf.maximum(basic_loss, 0))

    return loss
#测试一下
with tf.compat.v1.Session() as test:
    tf.compat.v1.set_random_seed(1)
    y_true = (None, None, None)
    y_pred = (tf.compat.v1.random_normal([3, 128], mean=6, stddev=0.1, seed=1),
              tf.compat.v1.random_normal([3, 128], mean=1, stddev=1, seed=1),
              tf.compat.v1.random_normal([3, 128], mean=3, stddev=4, seed=1))
    loss = triplet_loss(y_true, y_pred)

    print("loss = " + str(loss.eval()))

输出如下
在这里插入图片描述

加载训练后的模型

通过最小化三元组损失来训练FaceNet。但是由于训练需要大量数据和计算，因此在这里我们不会从头开始进行训练。我们加载以前训练好的模型。使用以下单元格加载模型；这将花费几分钟才能运行。

# 加载训练好的模型
#开始时间
start_time = time.perf_counter()

#编译模型
FRmodel.compile(optimizer = 'adam', loss = triplet_loss, metrics = ['accuracy'])

#加载权值
fr_utils.load_weights_from_FaceNet(FRmodel)

#结束时间
end_time = time.perf_counter()

#计算时差
minium = end_time - start_time

print("执行了：" + str(int(minium / 60)) + "分" + str(int(minium%60)) + "秒")

输出如下
在这里插入图片描述
现在使用这个模型进行人脸识别和验证

人脸验证

我们建立一个数据库，设立人脸识别，设置能否允许人们进入某个房屋。我们使用img_to_encoding(image_path, model)生成编码，它基本上在指定的图像上运行模型的正向传播。我们这里的数据库使用的是一个字典来表示，这个字典将每个人的名字映射到他们面部的128维编码上

database = {}
database["danielle"] = fr_utils.img_to_encoding("images/danielle.png", FRmodel)
database["younes"] = fr_utils.img_to_encoding("images/younes.jpg", FRmodel)
database["tian"] = fr_utils.img_to_encoding("images/tian.jpg", FRmodel)
database["andrew"] = fr_utils.img_to_encoding("images/andrew.jpg", FRmodel)
database["kian"] = fr_utils.img_to_encoding("images/kian.jpg", FRmodel)
database["dan"] = fr_utils.img_to_encoding("images/dan.jpg", FRmodel)
database["sebastiano"] = fr_utils.img_to_encoding("images/sebastiano.jpg", FRmodel)
database["bertrand"] = fr_utils.img_to_encoding("images/bertrand.jpg", FRmodel)
database["kevin"] = fr_utils.img_to_encoding("images/kevin.jpg", FRmodel)
database["felix"] = fr_utils.img_to_encoding("images/felix.jpg", FRmodel)
database["benoit"] = fr_utils.img_to_encoding("images/benoit.jpg", FRmodel)
database["arnaud"] = fr_utils.img_to_encoding("images/arnaud.jpg", FRmodel)

现在，当有人出现在门前刷他们的身份证的时候，你可以在数据库中查找他们的编码，用它来检查站在门前的人是否与身份证上的名字匹配。

实现 verify() 函数，该函数检查前门摄像头拍摄到的图片（image_path）是否是本人。你需要执行以下步骤：

  • 从image_path计算图像的编码
  • 计算此编码和存储在数据库中的身份图像的编码的距离
  • 如果距离小于0.7，打开门，否则不要打开。
  • 如上所述，你应该使用L2距离（np.linalg.norm）。

定义一个检验函数，并验证一下

# 定义检验函数
def verify(image_path, identity, database, model):
    """
    对“identity”与“image_path”的编码进行验证。

    参数：
        image_path -- 摄像头的图片。
        identity -- 字符类型，想要验证的人的名字。
        database -- 字典类型，包含了成员的名字信息与对应的编码。
        model -- 在Keras的模型的实例。

    返回：
        dist -- 摄像头的图片与数据库中的图片的编码的差距。
        is_open_door -- boolean,是否该开门。
    """
    # 第一步：计算图像的编码，使用fr_utils.img_to_encoding()来计算。
    encoding = fr_utils.img_to_encoding(image_path, model)

    # 第二步：计算与数据库中保存的编码的差距
    dist = np.linalg.norm(encoding - database[identity])

    # 第三步：判断是否打开门
    if dist < 0.7:
        print("欢迎 " + str(identity) + "回家！")
        is_door_open = True
    else:
        print("经验证，您与" + str(identity) + "不符！")
        is_door_open = False

    return dist, is_door_open
# 验证一下
verify("images/camera_0.jpg","younes",database,FRmodel)

人脸识别

我们将实现一个人脸识别系统，该系统将图像作为输入，并确定它是否是授权人员之一(如果是，是谁),与之前的人脸验证系统不同，我们不再将一个人的名字作为输入的一部分。
实现who_is_it()，你需要执行以下步骤：

  • 从image_path计算图像的目标编码
  • 从数据库中查找与目标编码距离最短的编码。
    • 将min_dist变量初始化为足够大的数字（100）。这将帮助你跟踪最接近输入编码的编码。
    • 遍历数据库字典的名称和编码。循环使用for (name, db_enc) in database.items()。
      • 计算目标“编码”与数据库中当前“编码”之间的L2距离。
      • 如果此距离小于min_dist，则将min_dist设置为dist，并将identity设置为name。

定义人脸识别并测试一下

# 人脸识别
def who_is_it(image_path, database, model):
    """
    根据指定的图片来进行人脸识别

    参数：
        images_path -- 图像地址
        database -- 包含了名字与编码的字典
        model -- 在Keras中的模型的实例。

    返回：
        min_dist -- 在数据库中与指定图像最相近的编码。
        identity -- 字符串类型，与min_dist编码相对应的名字。
    """
    # 步骤1：计算指定图像的编码，使用fr_utils.img_to_encoding()来计算。
    encoding = fr_utils.img_to_encoding(image_path, model)

    # 步骤2 ：找到最相近的编码
    ## 初始化min_dist变量为足够大的数字，这里设置为100
    min_dist = 100

    ## 遍历数据库找到最相近的编码
    for (name, db_enc) in database.items():
        ### 计算目标编码与当前数据库编码之间的L2差距。
        dist = np.linalg.norm(encoding - db_enc)

        ### 如果差距小于min_dist，那么就更新名字与编码到identity与min_dist中。
        if dist < min_dist:
            min_dist = dist
            identity = name

    # 判断是否在数据库中
    if min_dist > 0.7:
        print("抱歉，您的信息不在数据库中。")

    else:
        print("姓名" + str(identity) + "  差距：" + str(min_dist))

    return min_dist, identity
#测试一下
who_is_it("images/camera_0.jpg", database, FRmodel)

预期出现结果如下

姓名younes  差距：0.659392
(0.65939206, 'younes')

完整代码

face.py完整代码，注意这里会因为keras，tensorflow版本问题出现很多bug。此代码在加载训练模型之前适用于keras，tensorflow2.0以上版本，后部分代码，bug太多，没有修改过来。

from keras.models import Sequential
from keras.layers import Conv2D, ZeroPadding2D, Activation, Input, concatenate
from keras.models import Model
from keras.layers import BatchNormalization
from keras.layers.pooling import MaxPooling2D, AveragePooling2D
from keras.layers.merge import Concatenate
from keras.layers.core import Lambda, Flatten, Dense
from keras.initializers import glorot_uniform
import keras.engine.saving
from keras import backend as K

#------------用于绘制模型细节，可选--------------#
from IPython.display import SVG
from keras.utils.vis_utils import model_to_dot
from keras.utils.vis_utils import plot_model
#------------------------------------------------#

K.set_image_data_format('channels_first')

import time
import cv2
import os
import numpy as np
from numpy import genfromtxt
import pandas as pd
import tensorflow as tf
import fr_utils
from inception_blocks_v2 import *


#获取模型
FRmodel = faceRecoModel(input_shape=(3,96,96))

# #打印模型的总参数数量
# print("参数数量：" + str(FRmodel.count_params()))

# 定义三元组损失函数
def triplet_loss(y_true, y_pred, alpha=0.2):
    """
    根据公式（4）实现三元组损失函数

    参数：
        y_true -- true标签，当你在Keras里定义了一个损失函数的时候需要它，但是这里不需要。
        y_pred -- 列表类型，包含了如下参数：
            anchor -- 给定的“anchor”图像的编码，维度为(None,128)
            positive -- “positive”图像的编码，维度为(None,128)
            negative -- “negative”图像的编码，维度为(None,128)
        alpha -- 超参数，阈值

    返回：
        loss -- 实数，损失的值
    """
    # 获取anchor, positive, negative的图像编码
    anchor, positive, negative = y_pred[0], y_pred[1], y_pred[2]

    # 第一步：计算"anchor" 与 "positive"之间编码的距离，这里需要使用axis=-1
    pos_dist = tf.reduce_sum(tf.square(tf.subtract(anchor, positive)), axis=-1)

    # 第二步：计算"anchor" 与 "negative"之间编码的距离，这里需要使用axis=-1
    neg_dist = tf.reduce_sum(tf.square(tf.subtract(anchor, negative)), axis=-1)

    # 第三步：减去之前的两个距离，然后加上alpha
    basic_loss = tf.add(tf.subtract(pos_dist, neg_dist), alpha)

    # 通过取带零的最大值和对训练样本的求和来计算整个公式
    loss = tf.reduce_sum(tf.maximum(basic_loss, 0))

    return loss
# #测试一下
# with tf.compat.v1.Session() as test:
#     tf.compat.v1.set_random_seed(1)
#     y_true = (None, None, None)
#     y_pred = (tf.compat.v1.random_normal([3, 128], mean=6, stddev=0.1, seed=1),
#               tf.compat.v1.random_normal([3, 128], mean=1, stddev=1, seed=1),
#               tf.compat.v1.random_normal([3, 128], mean=3, stddev=4, seed=1))
#     loss = triplet_loss(y_true, y_pred)
#
#     print("loss = " + str(loss.eval()))

# 加载训练好的模型
#开始时间
start_time = time.perf_counter()

#编译模型
FRmodel.compile(optimizer = 'adam', loss = triplet_loss, metrics = ['accuracy'])

#加载权值
fr_utils.load_weights_from_FaceNet(FRmodel)

#结束时间
end_time = time.perf_counter()

#计算时差
minium = end_time - start_time

print("执行了：" + str(int(minium / 60)) + "分" + str(int(minium%60)) + "秒")

# 设置人脸匹配数据库
database = {}
database["danielle"] = fr_utils.img_to_encoding("images/danielle.png", FRmodel)
database["younes"] = fr_utils.img_to_encoding("images/younes.jpg", FRmodel)
database["tian"] = fr_utils.img_to_encoding("images/tian.jpg", FRmodel)
database["andrew"] = fr_utils.img_to_encoding("images/andrew.jpg", FRmodel)
database["kian"] = fr_utils.img_to_encoding("images/kian.jpg", FRmodel)
database["dan"] = fr_utils.img_to_encoding("images/dan.jpg", FRmodel)
database["sebastiano"] = fr_utils.img_to_encoding("images/sebastiano.jpg", FRmodel)
database["bertrand"] = fr_utils.img_to_encoding("images/bertrand.jpg", FRmodel)
database["kevin"] = fr_utils.img_to_encoding("images/kevin.jpg", FRmodel)
database["felix"] = fr_utils.img_to_encoding("images/felix.jpg", FRmodel)
database["benoit"] = fr_utils.img_to_encoding("images/benoit.jpg", FRmodel)
database["arnaud"] = fr_utils.img_to_encoding("images/arnaud.jpg", FRmodel)

# 定义检验函数
def verify(image_path, identity, database, model):
    """
    对“identity”与“image_path”的编码进行验证。

    参数：
        image_path -- 摄像头的图片。
        identity -- 字符类型，想要验证的人的名字。
        database -- 字典类型，包含了成员的名字信息与对应的编码。
        model -- 在Keras的模型的实例。

    返回：
        dist -- 摄像头的图片与数据库中的图片的编码的差距。
        is_open_door -- boolean,是否该开门。
    """
    # 第一步：计算图像的编码，使用fr_utils.img_to_encoding()来计算。
    encoding = fr_utils.img_to_encoding(image_path, model)

    # 第二步：计算与数据库中保存的编码的差距
    dist = np.linalg.norm(encoding - database[identity])

    # 第三步：判断是否打开门
    if dist < 0.7:
        print("欢迎 " + str(identity) + "回家！")
        is_door_open = True
    else:
        print("经验证，您与" + str(identity) + "不符！")
        is_door_open = False

    return dist, is_door_open
# 验证一下
verify("images/camera_0.jpg","younes",database,FRmodel)

# 人脸识别
def who_is_it(image_path, database, model):
    """
    根据指定的图片来进行人脸识别

    参数：
        images_path -- 图像地址
        database -- 包含了名字与编码的字典
        model -- 在Keras中的模型的实例。

    返回：
        min_dist -- 在数据库中与指定图像最相近的编码。
        identity -- 字符串类型，与min_dist编码相对应的名字。
    """
    # 步骤1：计算指定图像的编码，使用fr_utils.img_to_encoding()来计算。
    encoding = fr_utils.img_to_encoding(image_path, model)

    # 步骤2 ：找到最相近的编码
    ## 初始化min_dist变量为足够大的数字，这里设置为100
    min_dist = 100

    ## 遍历数据库找到最相近的编码
    for (name, db_enc) in database.items():
        ### 计算目标编码与当前数据库编码之间的L2差距。
        dist = np.linalg.norm(encoding - db_enc)

        ### 如果差距小于min_dist，那么就更新名字与编码到identity与min_dist中。
        if dist < min_dist:
            min_dist = dist
            identity = name

    # 判断是否在数据库中
    if min_dist > 0.7:
        print("抱歉，您的信息不在数据库中。")

    else:
        print("姓名" + str(identity) + "  差距：" + str(min_dist))

    return min_dist, identity
#测试一下
who_is_it("images/camera_0.jpg", database, FRmodel)
疯子的梦想＠
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
深度学习下的人脸识别算法分析
07-09
提出的构建深度神经网络的方法能够识别训练集中没有身份的表情信息，是由于深度神经网络的深度抽象特征表示方法对来自身份的大的噪声信息有一定的过滤效果
【人脸识别】基于Deeplearning4J和JavaCV做图片的神经网络训练
小帅丶的专栏
09-18 4224
基于Deeplearning4J和JavaCV做人脸识别 源代码地址:https://gitee.com/xshuai/FaceRecognition      
毕设分享 基于深度学习的人脸识别【全网最详细】
最新发布
Flskd的博客
06-14 445
今天学长向大家介绍一个机器视觉的毕设项目，基于深度学习的人脸识别:基于深度学习的人脸识别【全网最详细】 - opencv 卷积神经网络🧿选题指导, 项目分享：见文末**毕设帮助, 选题指导, 项目分享: **
Deeplearning.ai──人脸识别
M&H的博客
06-20 993
一、什么是人脸识别？ 人脸验证 VS. 人脸识别 Verification：判断face是否为对应人（1:1对应） Recognition：输出face对应人的ID（1:K对应） 　　在人脸验证中，给定两张图片，告诉是否是同一人，最简单的方法就是对两张图片的像素逐个比较，如果他们的距离小于某一阈值，就可以认定为同一人。当然，这种算法表现非常差，因为像素值随着人脸的方向，光照不同甚至头部微小...
基于DeepLearning4J框架实现人脸检测
weixin_39876866的博客
06-26 2739
使用Java代码基于DeepLearning4J框架实现人脸检测功能，并集成到Springboot中。
java采集自己的人脸底库，并用于FaceNet训练
So straw?
09-15 1660
上一篇文章讲解了如何使用 jdeep-learning调用本地摄像头进行人脸识别，那么如果您想在人脸底库中添加自己的人脸数据，您需要自己采集并重新训练FaceNet网络。具体步骤如下： 1.打开cn.jiming.jdlearning.test.face.FaceDetectionByDevice.java @Test public void test() throws Exception { OpenCVFrameGrabber grabber = new OpenCVFrameGrabbe.
deep-learning-face-detection_opencv_deeplearning_人脸识别_python脸部识别
10-01
综上所述，本项目“deep-learning-face-detection_opencv_deeplearning_人脸识别_python脸部识别”主要涵盖了使用OpenCV的dnn模块进行脸部检测和识别的核心概念。通过理解并实践这些步骤，开发者可以构建自己的人脸...
人脸识别demo.zip
08-27
"test.txt" 文件可能包含测试数据，如人脸图像的坐标信息，或者是一些测试用的代码片段，用于验证人脸识别算法的正确性和性能。如果使用Python，这可能是一个Python脚本，里面包含了OpenCV库或者深度学习框架（如...
基于人脸识别系统的应用.pdf
09-23
人脸识别的核心是通过算法对人脸图像进行分析，提取出具有辨识度的面部特征，如眼睛、鼻子、嘴巴的位置、大小和形状，以及面部轮廓等。这些特征被转化为数字向量，称为特征模板。当新的人脸图像输入系统时，系统会...
MFC.rar_MFC 人脸检测_人脸识别mfc
09-23
人脸识别包括人脸对齐、特征提取（如LBP、Eigenface、Fisherface、Deep Learning-based Feature）和比对识别阶段。近年来，随着深度学习的发展，基于神经网络的模型如VGGFace、FaceNet和ArcFace等在人脸识别上取得了...
CNN卷积神经网络应用于人脸识别.zip
05-05
本教程基于《DeepLearning tutorial》，通过详细流程和代码实现，展示了如何利用CNN进行人脸识别。 首先，人脸识别的基本步骤包括图像预处理、特征提取和分类。在预处理阶段，通常会将图像调整为统一尺寸，进行灰度...
如何用DL4J对人脸识别模型进行攻击
dong_lxkm的博客
09-17 751
一、前言 上一篇博客《如何用DL4J构建起一个人脸识别系统》介绍了如何用DL4J构建一个人脸识别服务，在文章的结尾提到了MLAttack，本篇博客就来介绍...
人工智能基础与线性回归模型
梓栋DREM
10-31 2128
文章目录1.什么是人工智能2.人工智能的发展历程3.人工智能、机器学习、深度学习的关系3.1 **机器学习**3.2 **深度学习**：是机器学习的其中一种方法，主要原理是**神经网络**3.3 **人工智能与机器学习、深度学习之间的区别**4.机器学习基本概念5.线性回归5.1 线性回归模型5.1.1 一元线性回归（单个特征）5.1.2 多元线性模型（多个特征）5.2 损失函数5.3 求解方式5.3.1 最小二乘法(least square method)5.3.2 梯度下降法（Gradient Desc
TensorFlow和Caffe、MXNet、Keras等其他深度学习框架的对比
CSDN 人工智能
02-20 5690
Google近日发布了TensorFlow 1.0候选版，这第一个稳定版将是深度学习框架发展中的里程碑的一步。自TensorFlow于2015年底正式开源，距今已有一年多，这期间TensorFlow不断给人以惊喜。在这一年多时间，TensorFlow已从初入深度学习框架大战的新星，成为了几近垄断的行业事实标准。本文节选自《TensorFlow实战》第二章。 主流深度学习框架对比深度学习研究的...
人脸识别三大经典算法_深度学习——入门经典综述！深度人脸识别算法串讲
weixin_39767121的博客
11-21 2088
最近看了很多人脸识别loss相关和GAN相关的paper，但是没有提纲挈领的把这些串起来。于是，一个小姐姐分享给我了这篇论文，阅读了一下，确实比较经典，很全面。在这里，将论文内容结合我自己的理解和在工作中进行的探索展开，分享给大家。论文背景论文题目：Deep Face Recognition: A Survey论文地址：https://arxiv.org/abs/1804.06655论文代码：综述...
deeplearning.30人脸识别
疯子的梦想@的博客
10-06 215
人脸识别系统人脸验证Siamese networkTriplet损失面部验证与二分类方法 人脸验证 输入一张图片，以及某人的ID或者名字，系统要做的是验证是否图片上的人和信息是否匹配。进行识别时，面临的问题是一次学习问题，数据库中一个图片和摄像拍到的图片，进行对比，通过数据库中一个训练样例来进行机器学习。解决方法是学习‘similarity’函数，即输入两张图片，获得这两张图片的差异值，来验证是否两张照片是同一个人。 设置一个超参数τ，差异值小于τ则表示两张图是同一个人。 所以数据库中每个人只有一张照片，
人脸识别算法_基于深度学习的人脸识别算法
weixin_39667398的博客
12-17 2035
>>>>度量学习基于深度学习的人脸识别算法，如何让神经网络从训练数据中学习到有效、鲁棒的生物特征是至关重要的。在这个过程中，一个良好的学习向导是不可或缺的。因此，在模型训练的过程中，通常使用度量学习的方式，将人物面部特征间的距离，作为神经网络特征学习的向导，来实现区分不同人物的目的。为了让神经网络能够更加有效的学习，合理的设计损失函数来度量和映射人物特征之间的距离...
人脸识别算法_人工智能机器视觉“深度学习”动态人脸识别算法
weixin_39655377的博客
12-13 1043
关键词：动态人脸识别算法、人脸识别、刷脸通行、人脸识别登记通行管理、访客人脸识别登记、活体检测、人证合一验证1.产品简介 刷脸通行是一个采用基于先进的人工智能机器视觉“深度学习”动态人脸识别算法研发的人脸识别成套产品。本系统具有可管理30万级人脸档案库的处理能力和10亿级别的海量刷脸历史记录存储查询能力，具有人脸识别白名单通行管理、访客人脸识别登记通行管理、白名单考勤管理、黑名单预警、上传人员信息...
毕业设计 深度学习 机器视觉 人脸识别系统 - opencv python
热门推荐
HUXINY的博客
10-04 1万+
🔥 这两年开始毕业设计和毕业答辩的要求和难度不断提升，传统的毕设题目缺少创新和亮点，往往达不到毕业答辩的要求，这两年不断有学弟学妹告诉学长自己做的项目系统达不到老师的要求。为了大家能够顺利以及最少的精力通过毕设，学长分享优质毕业设计项目，今天要分享的是🚩深度学习 机器视觉 人脸识别系统🥇学长这里给一个题目综合评分(每项满分5分)难度系数：3分工作量：3分创新点：3分🧿。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值