tf_facenet

facenet人脸检测与识别项目

说明

近期研究的课题是孪生网络，看到了FaceNet采用了孪生网络，研究的同时顺带把人脸识别FaceNet实现下，

做了个简单的人脸识别项目：包含人员登记、人员签到以及FaceNet模型训练、评估、测试、模型导出、数据制作。

通过MTCNN人脸检测模型，从照片中提取人脸图像；

把人脸图像输入到FaceNet，计算Embedding的特征向量；

采用annoy进行人脸匹配，比较特征向量间的欧式距离；

项目利用谷歌浏览器调用电脑摄像头进行人脸采集与识别业务。

每次识别时间约240ms(MAC only cpu)。

依赖

tensorflow1.8

python2.7

flask

flask_sqlalchemy

annoy

FaceNet源码

官方预训练模型VGGFace2下载

LFW评估测试数据下载

亚洲人脸数据库_CASIA-FaceV5

项目运行步骤

相关截图

以周杰伦为例，此处仅用于学习与研究，莫怪。

人脸采集页面(谷歌浏览器打开)

人脸识别页面(谷歌浏览器打开)

FaceNet

train目录下为FaceNet训练业务，训练采用train_tripletloss.py

训练：train.py

评估：eval.py

导出模型：export.py

比较：compare.py

可视化：show_train.py

MTCNN人脸检测与对齐：align_data.py

制作评估数据(类似lfw的pairs.txt)：create_eval_data.py

下载数据并放到相应的目录下如下：

配置参数

训练亚洲人脸数据

可以下载亚洲人脸数据库_CASIA-FaceV5，共500个中国人，每个人5张照片，总共2500张。用create_eval_data.py制作亚洲人脸评估数据集，

这样就可以在训练亚洲人脸业务时进行有效的评估了。

训练配置文件：train_facenet.py

我针对亚洲人脸数据库_CASIA-FaceV5数据集进行了基于官方预训练VGGFace2模型进行预训练，训练机器配置为：

系统：ubuntu 16.04LTS

内存：16GB

CPU：Intel Core I7-6800K x12

GPU：GeForce GTX 1080Ti

训练参数train_tripletloss.py：

image_size=160, embedding_size=512, batch_size=90, max_nrof_epochs=10, epoch_size=500.

训练时间约45小时

训练得到模型 20190218-164145.pb

模型下载地址：https://download.csdn.net/download/zsf442553199/10965981

同样采用LFW数据集进行评估，准确率为68.467%：

而官方预训练VGGFace2模型评估准确率为98.5%：

比较下发现针对亚洲人训练后准确率不升反降，不用担心，因为我们用了LFW来评估亚洲人，准确率肯定会下降的，毕竟亚洲人和欧美人长相还是有区别的。

为了验证我们训练的成果是有效的，我们做下以下测试：分别用以上两个模型对同一个亚洲人进行测试，然后比较得到的欧式空间距离，如果我们训练的模型的欧式空间距离比官方的模型要小，说明我们的训练是有效的。

运行train目录下的compare.py：

找了两张本人不同时期的照片进行测试

测试我们训练的模型，距离为0.6545：

测试官方预训练模型，距离为0.737：

很明显，我们训练的成果还是不错的。接下来，我们可以搜集大量的亚洲人脸数据进行训练，让我们的模型准确率提升到99%应该不是很难的事情。要注意的是训练和评估的数据都要用亚洲人脸数据