FacenetPytorch人臉識別方案--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人臉識別方案測試。
一、深度神經網絡
1.簡介
Facenet-PyTorch 是一個基于 PyTorch 框架實現的人臉識別庫。它提供了 FaceNet 模型的 PyTorch 實現，可以用于訓練自己的人臉識別模型。FaceNet 是由 Google 研究人員提出的一種深度學習模型，專門用于人臉識別任務。
在利用PyTorch神經網絡算法進行人臉圖像對比的實驗設置中，我們專注于對比環(huán)節(jié)，而不涉及實際項目的完整實現細節(jié)。但為了貼近實際應用，我們可以構想以下流程：
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備捕捉一張新的人臉照片。
2）加載存儲的人臉圖像：接著，從數據庫中加載所有已存儲的人臉圖像。這些圖像是之前采集并存儲的，用于與新捕捉到的人臉照片進行對比。
3）構建神經網絡模型：為了實現對比功能，我們需要一個預先訓練好或自定義的神經網絡模型。這個模型能夠提取人臉圖像中的關鍵特征，使得相似的圖像在特征空間中具有相近的表示。
4）特征提?。豪蒙窠浘W絡模型，對新捕捉到的人臉照片和存儲的每一張人臉圖像進行特征提取。這些特征向量將用于后續(xù)的對比計算。
5）計算相似度：采用合適的相似度度量方法（如余弦相似度、歐氏距離等），計算新照片特征向量與存儲圖像特征向量之間的相似度。
6）確定匹配圖像：根據相似度計算結果，找到與新照片相似度最高的存儲圖像，即認為這兩張圖像匹配成功。
7）輸出匹配結果：最后，輸出匹配成功的圖像信息或相關標識，以完成人臉對比的實驗任務。
2.核心組件
MTCNN：Multi-task Cascaded Convolutional Networks，即多任務級聯(lián)卷積網絡，專門設計用于同時進行人臉檢測和對齊。它在處理速度和準確性上都有出色的表現，是當前人臉檢測領域的主流算法之一。
FaceNet：由Google研究人員提出的一種深度學習模型，專門用于人臉識別任務。FaceNet通過將人臉圖像映射到一個高維空間，使得同一個人的不同圖像在這個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證、識別和聚類。
米爾基于全志T527開發(fā)板
3.功能
支持人臉檢測：使用MTCNN算法進行人臉檢測，能夠準確識別出圖像中的人臉位置。
支持人臉識別：使用FaceNet算法進行人臉識別，能夠提取人臉特征并進行相似度計算，實現人臉驗證和識別功能。
二、安裝facenet_pytorch庫
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
# 進入 PyTorch 目錄
cd pytorch
# 安裝 PyTorch (需要根據你的需求選擇 CUDA 版本，如果不需要 GPU 支持則不需要 --cuda 參數)
pip3 install --no-cache-dir torch -f https://download.pytorch.org/whl/torch_stable.html
# 測試 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.代碼實現
############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檢測人臉，返回人臉數組
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模型獲取人臉對應的特征向量
print("\n人臉對應的特征向量為：\n", known_faces_emb)
return known_faces_emb, knownImg
# 計算人臉特征向量間的歐氏距離，設置閾值，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)
# 獲取設備
device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
# mtcnn模型加載設置網絡參數，進行人臉檢測
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) # 待檢測人物圖
isExistDst = match_faces(faces_emb, known_faces_emb, MatchThreshold) # 人臉匹配
print("設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')
此代碼是使用訓練后的模型程序進行使用，在程序中需要標明人臉識別對比的圖像。
2.實踐過程
第一次運行時系統(tǒng)需要下載預訓練的vggface模型，下載過程較長，后面就不需要在下載了運行會很快。如圖所示：
3.程序運行異常唄終止
運行程序，提示killed，系統(tǒng)殺死了本程序的運行，經過多方面的測試，最終發(fā)現是識別的圖片過大，使得程序對內存消耗過大導致。后將圖片縮小可以正常運行了。
以下是對比圖像和對比結果。
gitHub開源代碼
首先下載代碼文件
代碼庫中，大致的介紹了facenet算法的訓練步驟等。
代碼實現
以下是facenet的python代碼，注意需要更改下面的一條程序"cuda" False,因為t527使用的是cpu，芯片到時自帶gpu但是cuda用不了，因為cuda是英偉達退出的一種計算機架構。
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
#--------------------------------------------#
# 使用自己訓練好的模型預測需要修改2個參數
# model_path和backbone需要修改！
#--------------------------------------------#
class Facenet(object):
_defaults = {
#--------------------------------------------------------------------------#
# 使用自己訓練好的模型進行預測要修改model_path，指向logs文件夾下的權值文件
# 訓練好后logs文件夾下存在多個權值文件，選擇驗證集損失較低的即可。
# 驗證集損失較低不代表準確度較高，僅代表該權值在驗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絡
#--------------------------------------------------------------------------#
"backbone" : "mobilenet",
#-------------------------------------------#
# 是否進行不失真的resize
#-------------------------------------------#
"letterbox_image" : True,
#-------------------------------------------#
# 是否使用Cuda
# 沒有GPU可以設置成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()
#---------------------------------------------------#
# 檢測圖片
#---------------------------------------------------#
def detect_image(self, image_1, image_2):
#---------------------------------------------------#
# 圖片預處理，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()
#---------------------------------------------------#
# 圖片傳入網絡進行預測
#---------------------------------------------------#
output1 = self.net(photo_1).cpu().numpy()
output2 = self.net(photo_2).cpu().numpy()
#---------------------------------------------------#
# 計算二者之間的距離
#---------------------------------------------------#
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
代碼實現
此代碼調用的簽名的代碼，但其可以直接的去調用圖片進行人臉識別。
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)
程序運行
運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比檢測的內容。以下是圖像識別的效果和對比的準確率。
下載文檔
