久草热久,欧美大片 - 91爱爱,久久一级免费视频,国产精品毛片无遮挡高清,97超碰人,日本A在线播放,99肏屄,欧美在线日韩在线

點(diǎn)擊上方“小白學(xué)視覺”，選擇加"星標(biāo)"或“置頂”

重磅干貨，第一時(shí)間送達(dá)

這是一篇全面的、互動(dòng)性強(qiáng)的人臉識(shí)別初學(xué)指南。接下來，我們將創(chuàng)建一個(gè)自定義的人臉識(shí)別程序，該程序能夠檢測(cè)和識(shí)別視頻或?qū)崟r(shí)網(wǎng)絡(luò)攝像頭中的人臉。

在一個(gè)繁忙的市場(chǎng)中，七月的烈日在頭頂上照耀，炎熱的天氣并沒有阻止顧客的到來，在人群不知情的情況下，一個(gè)懷有惡意的人藏在他們中間，他披著一層正常的外衣，去實(shí)現(xiàn)他的邪惡目的。

在一個(gè)角落里，一個(gè)監(jiān)控?cái)z像頭會(huì)定期掃描這個(gè)區(qū)域，這時(shí)它會(huì)瞥見這個(gè)家伙，它會(huì)立刻認(rèn)出看到的每一張臉，而且碰巧這家伙是一個(gè)通緝犯，幾毫秒之內(nèi)，他附近的警察就得到了警報(bào)，他們開始著手消除這一威脅。

這個(gè)故事曾經(jīng)出現(xiàn)在科幻小說中，但現(xiàn)在的情況大不相同了。事實(shí)上，中國使用人工智能監(jiān)控工具來監(jiān)視本國公民來維護(hù)民眾的安全，智能手機(jī)的創(chuàng)造者也在積極地使用人臉識(shí)別來驗(yàn)證手機(jī)用戶的身份。

人臉識(shí)別有很多不同的應(yīng)用程序，不管你希望它用于什么目的，在本文中，我將指導(dǎo)你創(chuàng)建一個(gè)自定義的人臉識(shí)別系統(tǒng)，可以在視頻或網(wǎng)絡(luò)攝像頭中識(shí)別你選擇的人臉。

就像你看到的那樣，這就是我們要得到的效果圖。

在本文中，我們將建立一個(gè)自定義的人臉識(shí)別程序。這篇文章很容易理解，同時(shí)也讓你對(duì)這個(gè)機(jī)器學(xué)習(xí)項(xiàng)目的理論知識(shí)方面有所啟發(fā)，女可以看目錄來確定重點(diǎn)并瀏覽文章。

專業(yè)提示：如果你想快速完成任務(wù)，請(qǐng)?zhí)^理論部分，直接進(jìn)入第2部分。

Facenet
i. Facenet是什么？
ii. Facenet是如何工作的？
iii. 三重?fù)p失
我們開始構(gòu)建吧！
i. 先決條件
ii. 下載數(shù)據(jù)
iii. 下載Facenet
iv. 對(duì)齊
v. 獲得預(yù)先訓(xùn)練的模型
vi. 用我們的數(shù)據(jù)訓(xùn)練模型
vii. 在視頻源上測(cè)試我們的模型
缺點(diǎn)
結(jié)論
參考文獻(xiàn)

Facenet

在這個(gè)項(xiàng)目中，我們將使用一個(gè)名為Facenet的模型來為我們做人臉識(shí)別程序。

Facenet是什么？

Facenet是由Florian Schroff、Dmitry Kalenichenko和James Philbin構(gòu)建的模型，他們也為此寫了一篇論文。

它直接從人臉圖像中學(xué)習(xí)圖像到歐式空間上點(diǎn)的映射，其中距離直接對(duì)應(yīng)于人臉相似度的度量，一旦創(chuàng)建了這些嵌入，就可以使用這些嵌入作為特征來完成人臉識(shí)別和驗(yàn)證等過程。

Facenet是如何工作的？

Facenet使用卷積層直接從人臉的像素中學(xué)習(xí)。該網(wǎng)絡(luò)在一個(gè)大數(shù)據(jù)集上進(jìn)行訓(xùn)練，以實(shí)現(xiàn)對(duì)光照、姿態(tài)和其他可變條件的不變性。該系統(tǒng)是在 Labelled Faces in the wild(http://vis-www.cs.umass.edu/lfw/) 數(shù)據(jù)集上訓(xùn)練的，這個(gè)數(shù)據(jù)集包含13000多張從網(wǎng)絡(luò)上收集的不同人臉的圖片，每個(gè)人臉都有一個(gè)名字（標(biāo)簽）。

Facenet從圖像中創(chuàng)建128維嵌入，并將其插入到特征空間中，這樣，無論成像條件如何，相同身份之間的特征距離要盡可能的小，而不同身份之間的特征距離要盡可能的大。下圖描述了模型的體系結(jié)構(gòu)：

模型結(jié)構(gòu)：模型包含一個(gè)批處理輸入層、一個(gè)深度學(xué)習(xí)架構(gòu)和一個(gè)L2層。

三重?fù)p失

該系統(tǒng)采用一種特殊的損失函數(shù)，稱為三重?fù)p失。三重?fù)p失使同一身份的圖像之間的L2距離最小，使不同特征的人臉圖像之間的L2距離最大。

該系統(tǒng)采用的三重?fù)p失，更適合于人臉驗(yàn)證。使用三重?fù)p失的動(dòng)機(jī)是它鼓勵(lì)將一個(gè)身份的所有圖像投影到嵌入空間中的一個(gè)點(diǎn)上。

三重?fù)p失：學(xué)習(xí)前后

創(chuàng)作者們?cè)O(shè)計(jì)了一種高效的三重選擇機(jī)制，可以一次巧妙地選擇三幅圖像，這些圖像有以下三種類型：

錨：一個(gè)隨機(jī)的人的人臉。
正圖：同一個(gè)人的另一張人臉。
負(fù)圖：另一個(gè)人的人臉。

測(cè)量了兩個(gè)歐幾里德距離：一個(gè)是錨和正圖之間的距離，我們稱之為A；另一個(gè)是錨和負(fù)圖之間的距離，我們稱之為B。訓(xùn)練過程旨在減少A并使B最大化，這樣相似的圖像彼此靠近，不同的圖像在嵌入空間中會(huì)隔得很遠(yuǎn)。

我們開始構(gòu)建吧！

最精彩的部分開始了！我們可以使用Facenet為我們自己選擇的人臉創(chuàng)建嵌入，然后訓(xùn)練支持向量機(jī)(Support Vector Machine)對(duì)這些嵌入進(jìn)行分類，讓我們開始建立一個(gè)自定義的人臉識(shí)別程序吧!

你可以看看這個(gè)項(xiàng)目的Github存儲(chǔ)庫，因?yàn)樗艘粋€(gè)自定義數(shù)據(jù)集和用于在視頻中檢測(cè)人臉的腳本。

Github存儲(chǔ)庫

https://github.com/AssiduousArchitect/face-recognition

先決條件

在開始之前，請(qǐng)確保你的系統(tǒng)上安裝了以下庫：

tensorflow==1.7
scipy
scikit-learn
opencv-python
h5py
matplotlib
Pillow
requests
psutil

下載數(shù)據(jù)

在這個(gè)項(xiàng)目中，我們將創(chuàng)建一個(gè)人臉識(shí)別程序，將能夠識(shí)別90年代情景喜劇《老友記》的核心人物。如果你想識(shí)別一組不同的人臉，那么就用你的圖像來代替，只需確保遵循類似的目錄結(jié)構(gòu)——為要識(shí)別的每個(gè)身份創(chuàng)建一個(gè)文件夾，并將這些文件夾存儲(chǔ)在名為“raw”的文件夾中。

數(shù)據(jù)集目錄：注意每個(gè)角色如何擁有自己對(duì)應(yīng)的文件夾

在每個(gè)文件夾里放上人物的照片，請(qǐng)注意，每張圖片只有一張清晰可見的臉。盡管只需要很少的圖像，我還是為每個(gè)角色添加了20個(gè)圖像，每個(gè)文件夾都有相同數(shù)量的圖片。你可以從這里下載我創(chuàng)建的《老友記》的數(shù)據(jù)集，如下是“Chandler”文件夾的樣子:

下載Facenet

現(xiàn)在已經(jīng)收集來數(shù)據(jù)，接下來下載并提取Facenet repo，將“Dataset”文件夾放入其中。

Facenet repo下載地址

https://github.com/davidsandberg/facenet

對(duì)齊

該模型的一個(gè)問題是它可能會(huì)漏掉一些人臉標(biāo)志，為了解決這個(gè)問題，我們必須將數(shù)據(jù)集中的所有圖像進(jìn)行對(duì)齊，使眼睛和嘴唇在所有圖片中顯示在同一位置。我們將使用M.T.C.N.N.（多任務(wù)C.N.N.）來執(zhí)行相同的操作，并將所有對(duì)齊的圖像存儲(chǔ)在名為processed的文件夾中。

打開終端/命令提示符并切換到Facenet目錄，然后運(yùn)行align_dataset_mtcn.py以及以下參數(shù)。

python src/align_dataset_mtcnn.py \./Dataset/Friends/raw \./Dataset/Friends/processed \--image_size 160 \--margin 32 \--random_order \ --gpu_memory_fraction 0.25

運(yùn)行此命令將對(duì)齊所有圖像并將其存儲(chǔ)在各自的文件夾中，然后將所有內(nèi)容存儲(chǔ)在“processed”文件夾中。下圖將向你介紹對(duì)齊的工作原理：

所有圖像都被裁剪并與標(biāo)準(zhǔn)的160x160像素圖像進(jìn)行對(duì)齊。

獲得預(yù)先訓(xùn)練的模型

現(xiàn)在，為了在你自己的圖像上訓(xùn)練模型，你需要下載預(yù)先訓(xùn)練的模型。請(qǐng)從這里下載。

https://drive.google.com/file/d/1EXPBSXwTaqrSC0OhUdXNmKSh9qJUQ55-/view

在Facenet根目錄中創(chuàng)建一個(gè)名為“Models”的文件夾，下載完成后，將zip文件的內(nèi)容解壓縮到名為“facenet”的目錄中，并將此文件夾放在“Models”文件夾中。

這個(gè)模型是在LFW數(shù)據(jù)集上訓(xùn)練的，因此所有的人臉嵌入都存儲(chǔ)在這些文件中，這使我們有機(jī)會(huì)凍結(jié)圖像，并在我們自己的圖像上訓(xùn)練它，這樣做會(huì)將我們提供的所有人臉嵌入到維度空間中。

用我們的數(shù)據(jù)訓(xùn)練模型

我們都準(zhǔn)備好了！我們有一個(gè)預(yù)先訓(xùn)練好的模型，我們的自定義數(shù)據(jù)集已經(jīng)對(duì)齊并準(zhǔn)備好了，現(xiàn)在，是時(shí)候訓(xùn)練模型了！

python src/classifier.py TRAIN \./Dataset/Friends/processed \./Models/facenet/20180402-114759.pb \./Models/Friends/Friends.pkl \--batch_size 1000

執(zhí)行上述命令將加載預(yù)先訓(xùn)練的模型并啟動(dòng)訓(xùn)練過程，訓(xùn)練結(jié)束后，新圖像的嵌入將導(dǎo)出到/Models/Friends/中。

由于我們使用的是預(yù)先訓(xùn)練的模型和相對(duì)較少的圖像數(shù)量，因此訓(xùn)練過程很快就結(jié)束了。

在視頻源上測(cè)試我們的模型

為了測(cè)試我們的模型，我使用的是來自《老友記》的視頻，你也可以用自己的視頻來代替，甚至可以用攝像頭。在本節(jié)中，我們將編寫腳本，以便于在視頻源中進(jìn)行人臉識(shí)別。

切換到“src”文件夾并創(chuàng)建一個(gè)新的python腳本，我給它起名為 faceRec.py。

接下來，我們導(dǎo)入所有必需的庫。

此腳本只接受一個(gè)參數(shù)，即視頻文件的路徑，如果沒有提到路徑，那么我們將通過網(wǎng)絡(luò)攝像頭傳輸視頻，此時(shí)參數(shù)的默認(rèn)值為0。

我們將初始化一些變量，請(qǐng)確保根據(jù)文件夾結(jié)構(gòu)更改路徑。

加載自定義分類器。

設(shè)置Tensorflow圖，然后加載Facenet模型，使用GPU可以加快檢測(cè)和識(shí)別過程。

設(shè)置輸入和輸出張量。

pnet、rnet和onet是M.T.C.N.N.的組成部分，將用于檢測(cè)和對(duì)齊人臉。

接下來，我們將創(chuàng)建一個(gè)集合和一個(gè)來跟蹤檢測(cè)到的每個(gè)角色的集合。

設(shè)置視頻捕獲對(duì)象。

因此，如果在運(yùn)行程序時(shí)未將VIDEO_PATH作為參數(shù)傳遞，則它將假定默認(rèn)值為0，如果發(fā)生這種情況，視頻捕獲對(duì)象將從網(wǎng)絡(luò)攝像機(jī)流式傳輸視頻。

然后逐幀捕獲視頻，并且由檢測(cè)人臉模塊在這些幀中檢測(cè)人臉，找到的人臉數(shù)存儲(chǔ)在faces\u found變量中。

如果找到人臉，那么我們將迭代每個(gè)人臉并將邊界框的坐標(biāo)保存在變量中。

然后提取、裁剪、縮放、重塑這些人臉并輸入字典。

我們將使用該模型來預(yù)測(cè)人臉的身份。我們提取最佳類的概率或置信度，這是用來衡量我們的模型是如何確定預(yù)測(cè)的身份屬于給定的臉。

最后，我們將在人臉周圍畫一個(gè)邊界框，并在邊界框旁邊寫下預(yù)測(cè)的身份和置信度，如果置信度低于某個(gè)閾值，我們將把名字填為未知。

一定要放一個(gè)except語句，這將確保成功忽略拋出的任何錯(cuò)誤，確保放置except語句，這樣做有助于我們忽略錯(cuò)誤。

except: pass

顯示視頻并在過程結(jié)束后關(guān)閉視頻顯示窗口，因?yàn)槊恳粠家?jīng)過大量的處理，所以視頻回放可能會(huì)很慢。

恭喜你，你的耐心得到了回報(bào)！我們已經(jīng)完成了腳本，準(zhǔn)備好了！快速啟動(dòng)并執(zhí)行以下命令以啟動(dòng)人臉識(shí)別程序，請(qǐng)確保將要測(cè)試的視頻的路徑作為參數(shù)傳遞，或?qū)⑵淞艨找詮木W(wǎng)絡(luò)攝像機(jī)流式傳輸視頻。

python src/faceRec.py --path ./Dataset/Friends/friends.mp

但是這個(gè)系統(tǒng)還不完善，還有一些缺點(diǎn)。

缺點(diǎn)

系統(tǒng)總是試圖將每個(gè)人臉都匹配到一個(gè)給定的身份中。如果屏幕上出現(xiàn)新人臉，系統(tǒng)將為其分配一個(gè)或另一個(gè)身份，這個(gè)問題可以通過仔細(xì)選擇一個(gè)閾值來解決。
身份的混淆。在上面的gif中，你可以觀察到Joey和Chandler之間的預(yù)測(cè)有時(shí)是波動(dòng)的，而且置信度得分也很低。需要使用更多圖像訓(xùn)練模型來解決此問題。
無法在一定距離識(shí)別人臉（如果距離很遠(yuǎn)使得人臉看起來很?。?/span>

結(jié)論

無論是判斷你的員工是否出席或在野外尋找違法者，人臉識(shí)別技術(shù)可以證明是一個(gè)真正的保障。這個(gè)項(xiàng)目包括創(chuàng)建一個(gè)人臉識(shí)別程序，可以識(shí)別你選擇的人臉。你創(chuàng)建了一個(gè)自定義數(shù)據(jù)集，訓(xùn)練了模型，并編寫了腳本以在視頻剪輯上運(yùn)行人臉識(shí)別系統(tǒng)，然而，也有一些缺點(diǎn)，但我們的系統(tǒng)功能還是比較完整的。

參考文獻(xiàn)

https://arxiv.org/abs/1503.03832

原文鏈接：https://towardsdatascience.com/s01e01-3eb397d458d

下載1：OpenCV-Contrib擴(kuò)展模塊中文版教程

在「小白學(xué)視覺」公眾號(hào)后臺(tái)回復(fù)：擴(kuò)展模塊中文教程，即可下載全網(wǎng)第一份OpenCV擴(kuò)展模塊教程中文版，涵蓋擴(kuò)展模塊安裝、SFM算法、立體視覺、目標(biāo)跟蹤、生物視覺、超分辨率處理等二十多章內(nèi)容。

下載2：Python視覺實(shí)戰(zhàn)項(xiàng)目52講

在「小白學(xué)視覺」公眾號(hào)后臺(tái)回復(fù)：Python視覺實(shí)戰(zhàn)項(xiàng)目，即可下載包括圖像分割、口罩檢測(cè)、車道線檢測(cè)、車輛計(jì)數(shù)、添加眼線、車牌識(shí)別、字符識(shí)別、情緒檢測(cè)、文本內(nèi)容提取、面部識(shí)別等31個(gè)視覺實(shí)戰(zhàn)項(xiàng)目，助力快速學(xué)校計(jì)算機(jī)視覺。

下載3：OpenCV實(shí)戰(zhàn)項(xiàng)目20講

在「小白學(xué)視覺」公眾號(hào)后臺(tái)回復(fù)：OpenCV實(shí)戰(zhàn)項(xiàng)目20講，即可下載含有20個(gè)基于OpenCV實(shí)現(xiàn)20個(gè)實(shí)戰(zhàn)項(xiàng)目，實(shí)現(xiàn)OpenCV學(xué)習(xí)進(jìn)階。

交流群

歡迎加入公眾號(hào)讀者群一起和同行交流，目前有SLAM、三維視覺、傳感器、自動(dòng)駕駛、計(jì)算攝影、檢測(cè)、分割、識(shí)別、醫(yī)學(xué)影像、GAN、算法競(jìng)賽等微信群（以后會(huì)逐漸細(xì)分），請(qǐng)掃描下面微信號(hào)加群，備注：”昵稱+學(xué)校/公司+研究方向“，例如：”張三 + 上海交大 + 視覺SLAM“。請(qǐng)按照格式備注，否則不予通過。添加成功后會(huì)根據(jù)研究方向邀請(qǐng)進(jìn)入相關(guān)微信群。請(qǐng)勿在群內(nèi)發(fā)送廣告，否則會(huì)請(qǐng)出群，謝謝理解~

創(chuàng)建自己的人臉識(shí)別系統(tǒng)