FacenetPytorch人臉識別方案--基于米爾全志T527開發板

本文將介紹基于米爾電子MYD-LT527開發板（米爾基于全志 T527開發板）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，我們專注于對比環節，而不涉及實際項目的完整實現細節。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）特征提取：利用神經網絡模型，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

更新ubuntu系統，詳情查看米爾提供的資料文件

2.更新系統軟件

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，系統殺死了本程序的運行，經過多方面的測試，最終發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。

四、gitHub開源代碼

1.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。

2.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

3.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)

4.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。