第一句子网 - 唯美句子、句子迷、好句子大全
第一句子网 > 基于Python进行人脸验证人脸识别系统 毕业设计附完整代码 可直接运行

基于Python进行人脸验证人脸识别系统 毕业设计附完整代码 可直接运行

时间:2023-05-23 01:29:13

相关推荐

基于Python进行人脸验证人脸识别系统  毕业设计附完整代码 可直接运行

完整代码:

/download/qq_38735017/87430696

通过下面项目的内容,将学到下面的东西: 1.实现人脸识别中的三元组损失函数 2.使用一个已经训练好的模型将人脸图像映射到 128-dimension encoding 3.使用这些 encoding 来执行人脸验证和人脸识别

人脸识别系统通常被分成两大类:

① 人脸验证:“这是不是本人”,需要通过刷身份证(或者能证明身份的有效证件)以及摄像头拍摄人脸照片,然后通过验证照片是否是你本人,比如车站人脸识别,手机人脸解锁功能,这些都是 1:1 的匹配问题。

② 人脸识别:“这个人是谁”,只需要通过摄像头去拍摄你的人脸,检测拍摄的人脸是否存在于系统中,比如公司的刷脸考勤,这样就不要去刷 ID 卡了,这是 1:K 的匹配问题

通过下面项目的内容,将学到下面的东西:

实现人脸识别中的三元组损失函数

使用一个已经训练好的模型将人脸图像映射到 128-dimension encoding

使用这些 encoding 来执行人脸验证和人脸识别

(Note:在此次项目中,使用一个训练好的模型,该模型使用了 channels_first,这个变准现在 DL 社区还没有统一的标准(channels_first or channels_last))这样我们先导入包

我们能想到最简单的人脸验证,最简单的方法就是逐像素的比较两幅图像,选出图片之间误差小于阈值的,那么则可以判断是同一个人,可是,如果收到光照,明亮,人脸朝向,甚至是微小的差别,这样做的效果一定会很差,那么该怎么办呢??与使用原始图像之间的距离不同的是让系统学习构建一个 f(img),也就是构建一个 encoding,对该 encoding 的每个元素(这里比较 128)进行,可以更加准确的判断两幅图像是否属于同一个人

一、将人脸图像编码为 128 位的向量

1.1 使用卷积网络来进行编码

FaceNet 模型需要大量的数据和长时间的训练,因为,在深度学习中,我们常见的操作是加载其他人已经训练过的权值,这里提供了模型的实现方法,可以查看 inception_blocks_v2.py 文件来查看是如何实现 faceRecoModel(input_shape)的。

①Inception 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)

② 输出为(m,128)表示 encoding 后的 m 个 128 维的向量.

下面我们来创建一个人脸识别的模型

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

FRmodel.count_params()###可以打印模型的总参数数量

通过计算两个编码距离与阈值之间的误差,可以确定两幅图片是否是一个人

Encoding 是一个很好的方法:

同一个人的两个图像的编码非常相似

两个人不同的图像编码非常的不同

说了这么多,但是训练模型时拿什么损失函数呢,也就是什么样的损失函数能保证 encoding 是一个很好的方法呢?那就是三元损失函数

三元损失函数,会试图将同一个人的两个图像(A 和 P)的编码“拉近”,同时将两个不同的人的图像(A 和 N)的编码进一步“分离”,如下图(从左到右 Anchor, Positive, Negative):

1.2 The Triplet Loss(三元组损失函数)

对于给定的图像 x,其编码为 f(x),其中 f 为神经网络的计算函数,如下。

我们使用三元组图像(A, P, N)进行训练:

A-是一个人的图像

P-是相对于“Anchor”的同一个人的另外一张图像

N-是相对于“Anchor”的不同的人的另外一张图像

所以我们希望编码 f(A)接近 f(P),即 ||f(A)f(P)||2 尽可能的小。而 $||f(A)f(N)||^2$ 尽可能

的大,我们还要保证图像 A 与图像 P 的差值至少比图像 N 的差值相差 α(这里 α=0.2)

$||f(A)f(P)||^2 +α≤||f(A)f(N)||^2$

$||f(A)f(P)||^2 +α-||f(A)f(N)||^2≤0$

这样就可以定义 Loss function 为:

$L(A,P,N) = max(||f(A) - f(P) ||^2 - ||f(A) - f(N)||^2+α, 0) $

那么,对于 m 组训练样本,cost function 为:

$J = \sum_{i=1}^{m}{L(A^{(i)},P^{(i)},N^{(i)})}$

那么我们来看一下代码实现:

二、加载模型

FaceNet 是通过最小化三元组损失来训练的,但是由于训练需要大量的数据和时间,所以我们不会从头训练,相反,加载一个已经训练好了的模型,运行下列代码来加载模型,可能会需要几分钟的时间。

上面代码还计算了加载模型所需要的时间,另外我们来看一下三个人之间编码的距离的例子。

这部分模型已经构建好,那么如何通过编码距离进行人脸验证和人脸识别呢??

三、模型应用

之前对“欢乐家”添加了笑脸识别,现在要构建一个人脸验证系统,以便只允许来自指定列表的人员进入。为了通过门禁,每个人都必须在门口刷身份证以表明自己的身份,然后人脸识别系统将检查他们到底是谁。

3.1 人脸验证

对于人脸验证系统,首先需要构建一个数据库,里面包含了允许进入的人员的编码向量,我们使用 fr_uitls.img_to_encoding(image_path, model)函数来生成编码,它会根据图像来进行模型的前向传播计算人脸图像编码。

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,如下(Note:这里要把 images 目录保存在当前目录下面,否则会报错)。

"""构建一个数据库,里面包含了允许进入的人员的编码向量,注意这里要把 images 目录保存在当前目录下面,否则会报错,至于为什么我也没搞清楚""" database={}database["danielle"]=img_to_encoding("images\\danielle.png",FRmodel)database["younes"]=img_to_encoding("images\\younes.jpg",FRmodel)database["tian"]=img_to_encoding("images\\tian.jpg",FRmodel)database["andrew"]=img_to_encoding("images\\andrew.jpg",FRmodel)database["kian"]=img_to_encoding("images\\kian.jpg",FRmodel)database["dan"]=img_to_encoding("images\\dan.jpg",FRmodel)database["sebastiano"]=img_to_encoding("images\\sebastiano.jpg",FRmodel)database["bertrand"]=img_to_encoding("images\\bertrand.jpg",FRmodel)database["kevin"]=img_to_encoding("images\\kevin.jpg",FRmodel)database["felix"]=img_to_encoding("images\\felix.jpg",FRmodel)database["benoit"]=img_to_encoding("images\\benoit.jpg",FRmodel)database["arnaud"]=img_to_encoding("images\\arnaud.jpg",FRmodel)

人脸验证的思想很简单,即当有人出现在的门前刷他们的身份证的时候,你可以在数据库中根据身份证上的名字查找他们的对应的编码,用它来检查站在门前的人是否与身份证上的名字匹配,代码如下。

我们来测试一下,现在 younes 在门外,相机已经拍下了照片并存放在了

(“images/camera_0.jpg”),现在我们来验证一下他是否能开门成功。

# younes 来到门前,摄像头拍摄的照片存入 camera_0.jpg,刷 ID 验证是否是 younes 本人dist, door_open = verify("images\\camera_0.jpg", "younes", database, FRmodel)print(dist, door_open)

It's younes,welcome home!

0.6710074 True

还有一种情况,比如 Benoit 已经被禁止进入,也从数据库中删除了 Benoit 的信息,但是他偷了 Kian 的身份证并试图通过门禁,我们来看看他能不能进入呢?(“images/camera_2.jpg”)

# Benoit 拿着 kian 的 ID 来,刷 kian 的 ID 卡想进入房子,结果应该是验证失败dist1, door_open1 = verify("images\\camera_2.jpg", "kian", database, FRmodel)print(dist1, door_open1)

It,s notkian,please go away

0.85800153 False

3.2 人脸识别

对于人脸验证系统有个弊端,那就是如果一个人的身份证不见了,那么他将无法进入房子,要是不用身份证那个多好啊,当然这是可以实现的,也就是这里所说的人脸识别系统,这样就不用再带身份证了,一个被授权的人只要走到房子前面,前门就会自动为他们打开! 代码思路和实现如下:

我们也来看一下效果怎么样, younes 和 bertrand 站在前门,相机给他拍了张照片(“images/camera_0.jpg”)和(“images/camera_1.jpg”)。让我们看看 who_it_is()算法是否识别 younes 和 bertrand

min_dist,identity=who_is_it("images\\camera_0.jpg",database,FRmodel)print(min_dist,identity)min_dist1,identity1=who_is_it("images\\camera_1.jpg",database,FRmodel)print(min_dist1,

it's younes, the distance is 0.6710074

0.6710074 younes

it's bertrand, the distance is 0.46740144

0.46740144 bertran

四、总结

人脸验证解决了更容易的 1:1 匹配问题,人脸识别解决了更难的 1∶k 匹配问题。

Triplet loss 是训练神经网络学习人脸图像编码的一种有效的损失函数。

相同的编码可用于验证和识别。测量两个图像编码之间的距离可以确定它们是否是同一个人的图片。

本内容不代表本网观点和政治立场,如有侵犯你的权益请联系我们处理。
网友评论
网友评论仅供其表达个人看法,并不表明网站立场。