额敏网站建设,wordpress媒体库整理,郑州seo优化外包热狗网,云服务器建设网站用什么系统文章目录前言1、facenet2、使用2.1.其它blog2.2 实践总结前言
老早以前就希望能写一篇关于人脸识别的工程化落地的案例#xff0c;一年前做疲劳驾驶时使用的dlib插件#xff0c;它封装好了#xff0c;人脸检测、对齐、相似度计算三个部分,就是插件比较难装,但同时也少了很多…
文章目录前言1、facenet2、使用2.1.其它blog2.2 实践总结前言
老早以前就希望能写一篇关于人脸识别的工程化落地的案例一年前做疲劳驾驶时使用的dlib插件它封装好了人脸检测、对齐、相似度计算三个部分,就是插件比较难装,但同时也少了很多细节. 今天我们来做一些高级一点的, facenet网络 1、facenet
谷歌人脸识别算法发表于 CVPR 2015利用相同人脸在不同角度等姿态的照片下有高内聚性不同人脸有低耦合性提出使用 cnn triplet mining 方法在 LFW 数据集上准确度达到 99.63%。 测试时只需要计算人脸特征EMBEDDING然后计算距离使用阈值即可判定两张人脸照片是否属于相同的个体。 在这里插入图片描述 简单来讲在使用阶段facenet即是 1、输入一张人脸图片 2、通过深度卷积网络提取特征 3、L2标准化 4、得到一个长度为128特征向量。
2、使用
2.1.其它blog
其它人在使用中一般是这样的 #---------------------------------------------------## 检测图片#---------------------------------------------------#def detect_image(self, image_1, image_2):#---------------------------------------------------## 图片预处理归一化#---------------------------------------------------#with torch.no_grad():image_1 resize_image(image_1, [self.input_shape[1], self.input_shape[0]], letterbox_imageself.letterbox_image)image_2 resize_image(image_2, [self.input_shape[1], self.input_shape[0]], letterbox_imageself.letterbox_image)photo_1 torch.from_numpy(np.expand_dims(np.transpose(preprocess_input(np.array(image_1, np.float32)), (2, 0, 1)), 0))photo_2 torch.from_numpy(np.expand_dims(np.transpose(preprocess_input(np.array(image_2, np.float32)), (2, 0, 1)), 0))if self.cuda:photo_1 photo_1.cuda()photo_2 photo_2.cuda()#---------------------------------------------------## 图片传入网络进行预测#---------------------------------------------------#output1 self.net(photo_1).cpu().numpy()output2 self.net(photo_2).cpu().numpy()#---------------------------------------------------## 计算二者之间的距离#---------------------------------------------------#l1 np.linalg.norm(output1 - output2, axis1)# plt.subplot(1, 2, 1)# plt.imshow(np.array(image_1))# plt.subplot(1, 2, 2)# plt.imshow(np.array(image_2))# plt.text(-12, -12, Distance:%.3f % l1, hacenter, va bottom,fontsize11)# plt.show()return l1核心思想是:传入两张图片,计算距离,设置阈值判断是否是同一个人. 可是,这种放在工程上,比如人脸开门是不行的,所谓人脸识别,必须有一个人脸库,送入一张图片和人脸库的所有图片进行遍历比对,挑出相似度最高的一张图片,和阈值比对,决定是否开门,并留存记录.
那肯定不能次次遍历人脸库啊,所以人脸库的图片要先转出特征向量的collection,存起来, 送入一张图片后,用模型抽取向量特征,和collections里面的向量比较. 如果人脸库太大,比如几万张特征,我们可以分batch存,每个batch找出最合适的,有点像桶排序,并且并行起来计算,是不是比较有意思.
2.2 实践 #---------------------------------------------------## 保存人脸库特征#---------------------------------------------------#def save_to_tensor(self):#---------------------------------------------------## 图片预处理归一化#---------------------------------------------------#path_dir ./imgfile_name_list os.listdir(path_dir)img_feature {}with torch.no_grad():for file_name in file_name_list:image_1 Image.open(os.path.join(path_dir,file_name))image_1 resize_image(image_1, [self.input_shape[1], self.input_shape[0]], letterbox_imageself.letterbox_image)photo_1 torch.from_numpy(np.expand_dims(np.transpose(preprocess_input(np.array(image_1, np.float32)), (2, 0, 1)), 0))if self.cuda:photo_1 photo_1.cuda() #---------------------------------------------------## 图片传入网络进行预测#---------------------------------------------------#output1 self.net(photo_1).cpu().numpy()img_feature[file_name] output1print(img_feature)with open(img_feature.txt, wb) as file:pickle.dump(img_feature, file)return None经过这些代码,把./img/ 下的人脸库向量都以二进制的方式存入了文件中. 送入一张图片,只需要,将图片送入模型,获取当前人的人脸信息,然后和人脸库的向量比较, def get_from_face_collection(self):input_file img/1_001.jpgimage_1 Image.open(input_file)image_1 resize_image(image_1, [self.input_shape[1], self.input_shape[0]], letterbox_imageself.letterbox_image)with torch.no_grad():photo_1 torch.from_numpy(np.expand_dims(np.transpose(preprocess_input(np.array(image_1, np.float32)), (2, 0, 1)), 0))if self.cuda:photo_1 photo_1.cuda() #---------------------------------------------------## 图片传入网络进行预测#---------------------------------------------------#output1 self.net(photo_1).cpu().numpy()f open(img_feature.txt,rb)img_feature_json pickle.load(f)distance_map {}for img_name, featrue_map in img_feature_json.items():l1 np.linalg.norm(output1 - featrue_map, axis1)distance_map[img_name] l1print(distance_map)distance_map 就是你说要的结果集,然后做个排序,找到top1 和阈值比对即可 git:https://github.com/justinge/facenet_pytorch.git
总结
还有用milivus向量库的,先挖个坑,最终工程化一个到位的.
