1.使用insightface加载训练好的模型进行特征提取

首先，致敬作者，他的代码库在：https://github.com/deepinsight/insightface

1.安装项目运行环境。

python=2.7

由于我的服务器上已经安装了cuda8.0，所以环境配置起来很容易，输入如下代码:

pip install -U six scipy scikit-learn opencv-python scikit-image easydict mxnet-cu80

中间遇到了一个问题:

python setup.py egg_info

这个是前辈的解决方案，我也靠这个解决了

2.下载pretrained_model。

一共下载两个，一个为人脸识别model，一个为性别年龄识别model，由于代码中必须加载这两个model，所以就算不用都要下载。

官方model_zoo

3.将model上传到insightface/models中。

如果有服务器就连接服务器。

服务器连接和文件传输应用下载

4.运行人脸特征提取程序。

首先进入路径:

$INSIGHTFACE_HOME/deploy

路径下的test.py就是用来提取人脸特征的，稍微修改下test.py:

vim test.py

import face_model
import argparse
import cv2
import sys
import numpy as np
parser = argparse.ArgumentParser(description='face model test')
# general
parser.add_argument('--image-size', default='112,112', help='')
# 这个比较重要，人脸识别的model，我的经验是要用绝对路径
parser.add_argument('--model', default='/disk1t/insightface/insightface/models/model-r100-ii/model,0', help='path to load model.')
# 这个比较重要，年龄性别的model，我的经验是要用绝对路径
parser.add_argument('--ga-model', default='/disk1t/insightface/insightface/models/gamodel-r50/model,0', help='path to load model.')
parser.add_argument('--gpu', default=0, type=int, help='gpu id')
parser.add_argument('--det', default=0, type=int, help='mtcnn option, 1 means using R+O, 0 means detect from begining')
parser.add_argument('--flip', default=0, type=int, help='whether do lr flip aug')
parser.add_argument('--threshold', default=1.24, type=float, help='ver dist threshold')
args = parser.parse_args()
print(args)
# 加载model
model = face_model.FaceModel(args)
# 读取图片
img = cv2.imread('Tom_Hanks_54745.png')
# 模型加载图片
img = model.get_input(img)
# 获得特征
f1 = model.get_feature(img)
# 输出特征
print(f1)
#print(f1[0:10])
#gender, age = model.get_ga(img)
#print(gender)
#print(age)
#sys.exit(0)
#img = cv2.imread('/raid5data/dplearn/megaface/facescrubr/112x112/Tom_Hanks/Tom_Hanks_54733.png')
#f2 = model.get_feature(img)
#dist = np.sum(np.square(f1-f2))
#print(dist)
#sim = np.dot(f1, f2.T)
#print(sim)
#diff = np.subtract(source_feature, target_feature)
#dist = np.sum(np.square(diff),1)

5.最后获得特征

6.到此，人脸特征提取就完成了