FacenetPytorch人臉識(shí)別方案--基于米爾全志T527開發(fā)板

本文將介紹基于米爾電子MYD-LT527開發(fā)板（米爾基于全志 T527開發(fā)板）的FacenetPytorch人臉識(shí)別方案測(cè)試。

一、深度神經(jīng)網(wǎng)絡(luò)

1.簡(jiǎn)介

Facenet-PyTorch 是一個(gè)基于 PyTorch 框架實(shí)現(xiàn)的人臉識(shí)別庫(kù)。它提供了 FaceNet 模型的 PyTorch 實(shí)現(xiàn)，可以用于訓(xùn)練自己的人臉識(shí)別模型。FaceNet 是由 Google 研究人員提出的一種深度學(xué)習(xí)模型，專門用于人臉識(shí)別任務(wù)。

在利用PyTorch神經(jīng)網(wǎng)絡(luò)算法進(jìn)行人臉圖像對(duì)比的實(shí)驗(yàn)設(shè)置中，我們專注于對(duì)比環(huán)節(jié)，而不涉及實(shí)際項(xiàng)目的完整實(shí)現(xiàn)細(xì)節(jié)。但為了貼近實(shí)際應(yīng)用，我們可以構(gòu)想以下流程：

1）捕捉新人臉圖像：首先，我們使用攝像頭或其他圖像采集設(shè)備捕捉一張新的人臉照片。

2）加載存儲(chǔ)的人臉圖像：接著，從數(shù)據(jù)庫(kù)中加載所有已存儲(chǔ)的人臉圖像。這些圖像是之前采集并存儲(chǔ)的，用于與新捕捉到的人臉照片進(jìn)行對(duì)比。

3）構(gòu)建神經(jīng)網(wǎng)絡(luò)模型：為了實(shí)現(xiàn)對(duì)比功能，我們需要一個(gè)預(yù)先訓(xùn)練好或自定義的神經(jīng)網(wǎng)絡(luò)模型。這個(gè)模型能夠提取人臉圖像中的關(guān)鍵特征，使得相似的圖像在特征空間中具有相近的表示。

4）特征提?。豪蒙窠?jīng)網(wǎng)絡(luò)模型，對(duì)新捕捉到的人臉照片和存儲(chǔ)的每一張人臉圖像進(jìn)行特征提取。這些特征向量將用于后續(xù)的對(duì)比計(jì)算。

5）計(jì)算相似度：采用合適的相似度度量方法（如余弦相似度、歐氏距離等），計(jì)算新照片特征向量與存儲(chǔ)圖像特征向量之間的相似度。

6）確定匹配圖像：根據(jù)相似度計(jì)算結(jié)果，找到與新照片相似度最高的存儲(chǔ)圖像，即認(rèn)為這兩張圖像匹配成功。

7）輸出匹配結(jié)果：最后，輸出匹配成功的圖像信息或相關(guān)標(biāo)識(shí)，以完成人臉對(duì)比的實(shí)驗(yàn)任務(wù)。

2.核心組件

MTCNN：Multi-task Cascaded Convolutional Networks，即多任務(wù)級(jí)聯(lián)卷積網(wǎng)絡(luò)，專門設(shè)計(jì)用于同時(shí)進(jìn)行人臉檢測(cè)和對(duì)齊。它在處理速度和準(zhǔn)確性上都有出色的表現(xiàn)，是當(dāng)前人臉檢測(cè)領(lǐng)域的主流算法之一。

FaceNet：由Google研究人員提出的一種深度學(xué)習(xí)模型，專門用于人臉識(shí)別任務(wù)。FaceNet通過(guò)將人臉圖像映射到一個(gè)高維空間，使得同一個(gè)人的不同圖像在這個(gè)空間中的距離盡可能小，而不同人的圖像距離盡可能大。這種嵌入表示可以直接用于人臉驗(yàn)證、識(shí)別和聚類。

米爾基于全志T527開發(fā)板

3.功能

支持人臉檢測(cè)：使用MTCNN算法進(jìn)行人臉檢測(cè)，能夠準(zhǔn)確識(shí)別出圖像中的人臉位置。

支持人臉識(shí)別：使用FaceNet算法進(jìn)行人臉識(shí)別，能夠提取人臉特征并進(jìn)行相似度計(jì)算，實(shí)現(xiàn)人臉驗(yàn)證和識(shí)別功能。

二、安裝facenet_pytorch庫(kù)

1.更新系統(tǒng)

更新ubuntu系統(tǒng)，詳情查看米爾提供的資料文件

2.更新系統(tǒng)軟件

apt-get update

3.安裝git等支持軟件

sudo apt-get install -y python3-dev python3-pip libopenblas-dev libssl-dev libffi-dev git cmake

4.安裝Pytorch支持工具

# 克隆 PyTorch 源代碼

git clone --recursive https://github.com/pytorch/pytorch

# 進(jìn)入 PyTorch 目錄

cd pytorch

# 安裝 PyTorch (需要根據(jù)你的需求選擇 CUDA 版本，如果不需要 GPU 支持則不需要 --cuda 參數(shù))

pip3 install --no-cache-dir torch -f https://download.pytorch.org/whl/torch_stable.html

# 測(cè)試 PyTorch 安裝

python3 -c "import torch; print(torch.__version__)"

5.安裝facenet_pytorch

pip3 install facenet_pytorch

三、CSDN參考案例

1.代碼實(shí)現(xiàn)

############face_demo.py#############################

import cv2

import torch

from facenet_pytorch import MTCNN, InceptionResnetV1

 # 獲得人臉特征向量

def load_known_faces(dstImgPath, mtcnn, resnet):

aligned = []

knownImg = cv2.imread(dstImgPath)  # 讀取圖片

face = mtcnn(knownImg)  # 使用mtcnn檢測(cè)人臉，返回人臉數(shù)組

if face is not None:

aligned.append(face[0])

aligned = torch.stack(aligned).to(device)

with torch.no_grad():

known_faces_emb = resnet(aligned).detach().cpu() 

# 使用ResNet模型獲取人臉對(duì)應(yīng)的特征向量

print("n人臉對(duì)應(yīng)的特征向量為：n", known_faces_emb)

return known_faces_emb, knownImg

 # 計(jì)算人臉特征向量間的歐氏距離，設(shè)置閾值，判斷是否為同一張人臉

def match_faces(faces_emb, known_faces_emb, threshold):

isExistDst = False

distance = (known_faces_emb[0] - faces_emb[0]).norm().item()

print("n兩張人臉的歐式距離為：%.2f" % distance)

 if (distance < threshold):

isExistDst = True

return isExistDst

 if __name__ == '__main__':

# help(MTCNN)

# help(InceptionResnetV1)

# 獲取設(shè)備

device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')

# mtcnn模型加載設(shè)置網(wǎng)絡(luò)參數(shù)，進(jìn)行人臉檢測(cè)

mtcnn = MTCNN(min_face_size=12, thresholds=[0.2, 0.2, 0.3],

keep_all=True, device=device)

# InceptionResnetV1模型加載用于獲取人臉特征向量

resnet = InceptionResnetV1(pretrained='vggface2').eval().to(device)

MatchThreshold = 0.8  # 人臉特征向量匹配閾值設(shè)置

known_faces_emb, _ = load_known_faces('yz.jpg', mtcnn, resnet)  # 已知人物圖

faces_emb, img = load_known_faces('yz1.jpg', mtcnn, resnet)  # 待檢測(cè)人物圖

isExistDst = match_faces(faces_emb, known_faces_emb, MatchThreshold) # 人臉匹配

print("設(shè)置的人臉特征向量匹配閾值為：", MatchThreshold)

if isExistDst:

boxes, prob, landmarks = mtcnn.detect(img, landmarks=True) 

print('由于歐氏距離小于匹配閾值，故匹配')

else:

print('由于歐氏距離大于匹配閾值，故不匹配')

此代碼是使用訓(xùn)練后的模型程序進(jìn)行使用，在程序中需要標(biāo)明人臉識(shí)別對(duì)比的圖像。

2.實(shí)踐過(guò)程

第一次運(yùn)行時(shí)系統(tǒng)需要下載預(yù)訓(xùn)練的vggface模型，下載過(guò)程較長(zhǎng)，后面就不需要在下載了運(yùn)行會(huì)很快。如圖所示：

3.程序運(yùn)行異常唄終止

運(yùn)行程序，提示killed，系統(tǒng)殺死了本程序的運(yùn)行，經(jīng)過(guò)多方面的測(cè)試，最終發(fā)現(xiàn)是識(shí)別的圖片過(guò)大，使得程序?qū)?nèi)存消耗過(guò)大導(dǎo)致。后將圖片縮小可以正常運(yùn)行了。

以下是對(duì)比圖像和對(duì)比結(jié)果。

四、gitHub開源代碼

1.首先下載代碼文件

代碼庫(kù)中，大致的介紹了facenet算法的訓(xùn)練步驟等。

2.代碼實(shí)現(xiàn)

以下是facenet的python代碼，注意需要更改下面的一條程序"cuda"             False,因?yàn)閠527使用的是cpu，芯片到時(shí)自帶gpu但是cuda用不了，因?yàn)閏uda是英偉達(dá)退出的一種計(jì)算機(jī)架構(gòu)。

import matplotlib.pyplot as plt

import numpy as np

import torch

import torch.backends.cudnn as cudnn

from nets.facenet import Facenet as facenet

from utils.utils import preprocess_input, resize_image, show_config

#--------------------------------------------#

#   使用自己訓(xùn)練好的模型預(yù)測(cè)需要修改2個(gè)參數(shù)

#   model_path和backbone需要修改！

#--------------------------------------------#

class Facenet(object):

_defaults = {

#--------------------------------------------------------------------------#

#   使用自己訓(xùn)練好的模型進(jìn)行預(yù)測(cè)要修改model_path，指向logs文件夾下的權(quán)值文件

#   訓(xùn)練好后logs文件夾下存在多個(gè)權(quán)值文件，選擇驗(yàn)證集損失較低的即可。

#   驗(yàn)證集損失較低不代表準(zhǔn)確度較高，僅代表該權(quán)值在驗(yàn)證集上泛化性能較好。

#--------------------------------------------------------------------------#

"model_path"    : "model_data/facenet_mobilenet.pth",

#--------------------------------------------------------------------------#

#   輸入圖片的大小。

#--------------------------------------------------------------------------#

"input_shape"   : [160, 160, 3],

#--------------------------------------------------------------------------#

#   所使用到的主干特征提取網(wǎng)絡(luò)

#--------------------------------------------------------------------------#

"backbone"      : "mobilenet",

#-------------------------------------------#

#   是否進(jìn)行不失真的resize

#-------------------------------------------#

"letterbox_image"   : True,

#-------------------------------------------#

#   是否使用Cuda

#   沒(méi)有GPU可以設(shè)置成False

#-------------------------------------------#

"cuda": False,

}

@classmethod

def get_defaults(cls, n):

if n in cls._defaults:

return cls._defaults[n]

else:

return "Unrecognized attribute name '" + n + "'"

#---------------------------------------------------#

#   初始化Facenet

#---------------------------------------------------#

def __init__(self, **kwargs):

self.__dict__.update(self._defaults)

for name, value in kwargs.items():

setattr(self, name, value)

self.generate()

show_config(**self._defaults)

def generate(self):

#---------------------------------------------------#

#   載入模型與權(quán)值

#---------------------------------------------------#

print('Loading weights into state dict...')

device= torch.device('cuda' if torch.cuda.is_available() else 'cpu')

self.net    = facenet(backbone=self.backbone, mode="predict").eval()

self.net.load_state_dict(torch.load(self.model_path, map_location=device), strict=False)

print('{} model loaded.'.format(self.model_path))

if self.cuda:

self.net = torch.nn.DataParallel(self.net)

cudnn.benchmark = True

self.net = self.net.cuda()

#---------------------------------------------------#

#   檢測(cè)圖片

#---------------------------------------------------#

def detect_image(self, image_1, image_2):

#---------------------------------------------------#

#   圖片預(yù)處理，歸一化

#---------------------------------------------------#

with torch.no_grad():

image_1 = resize_image(image_1, [self.input_shape[1], self.input_shape[0]], letterbox_image=self.letterbox_image)

image_2 = resize_image(image_2, [self.input_shape[1], self.input_shape[0]], letterbox_image=self.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()

#---------------------------------------------------#

#   圖片傳入網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)

#---------------------------------------------------#

output1 = self.net(photo_1).cpu().numpy()

output2 = self.net(photo_2).cpu().numpy()

#---------------------------------------------------#

#   計(jì)算二者之間的距離

#---------------------------------------------------#

l1 = np.linalg.norm(output1 - output2, axis=1)

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, ha='center', va= 'bottom',fontsize=11)

plt.show()

return l1

3.代碼實(shí)現(xiàn)

此代碼調(diào)用的簽名的代碼，但其可以直接的去調(diào)用圖片進(jìn)行人臉識(shí)別。

from PIL import Image

from facenet import Facenet

if __name__ == "__main__":

model = Facenet()

while True:

image_1 = input('Input image_1 filename:')

try:

image_1 = Image.open(image_1)

except:

print('Image_1 Open Error! Try again!')

continue

image_2 = input('Input image_2 filename:')

try:

image_2 = Image.open(image_2)

except:

print('Image_2 Open Error! Try again!')

continue

probability = model.detect_image(image_1,image_2)

print(probability)

4.程序運(yùn)行

運(yùn)行程序后首先顯示的是程序的配置信息，然后可以輸入圖像對(duì)比檢測(cè)的內(nèi)容。以下是圖像識(shí)別的效果和對(duì)比的準(zhǔn)確率。