深度学习与计算机视觉实战 课件 第4章 基于FaceNet人脸识别实战.pptxVIP

基于FaceNet人脸识别实战目录1背景与目标2人脸检测3人脸对齐4人脸特征提取5人脸识别背景与目标随处可见的人脸识别应用背景与目标人脸识别的实际应用（1 vs 1）用户身份认证：各类网站、APP中用户可采用人脸识别方式登录电子护照及通行证：通过时的自助过关通道，通过扫描证件信息和人脸识别即可完成身份查验财产安全：银行账号登录、转账、汇款、支付均可采用人脸识别完成vsYES / NO背景与目标人脸识别的实际应用（1 vs N）公安、司法和刑侦：采用人脸识别系统，与城市电子监控系统相结合，构建全国范围的“天网”系统门禁系统：企业的人员出入管理、考勤管理中可采用人脸识别系统vs王源背景与目标项目目标构建一个人脸识别系统，要求能检测出输入其中的照片的人脸，并对其进行识别。人脸识别系统与数据库匹配，识别人名目标分析提取人脸特征向量人脸检测[ 0.0626357 -0-0.122219090-0.0132256 0.032220650.3187648 00.0844894100-0.122401480-00-00-000001894006 0.043098 -0.191158190.0285983 -0-0.137874290-00.02585905000.029739030-0-0.2125785……]人脸对齐人脸特征提取目标分析案例整体流程目标分析人脸识别的发展历程：基于几何的方法基于人脸的几何结构特征，通过面部的特征、相对位置和特征之间的距离构成人脸识别的特征向量，然后通过特征向量之间的匹配完成人脸识别。垂直水平控制图3维老龄化模型的建立Face Recognition: From Traditional to Deep Learning Methods, /abs/1811.00116/abs/1811.00116目标分析人脸识别的发展历程：基于整体的方法将人脸图像通过算法投影到低维空间，主要采用的算法有PCA（特征脸）、LDA（Fisher脸）、SVM、LPP（拉普拉斯脸）、SRC和联合贝叶斯。LDA(Fisher脸)PCA(特征脸)a) PCA(特征脸) b) LDA(Fisher脸) c) LPP(拉普拉斯脸脸)Face Recognition: From Traditional to Deep Learning Methods, /abs/1811.00116/abs/1811.00116目标分析人脸识别的发展历程：基于特征的方法在人脸图像上不同位置提取局部特征向量或局部特征描述，通过计算特征向量之间的距离来衡量图像之间的相似度，主要的算法有LEMs、EBGM、FBG、HOG和SIFT等GABOR-EBGMHOG-EBGMSIFTFace Recognition: From Traditional to Deep Learning Methods, /abs/1811.00116/abs/1811.00116目标分析人脸识别的发展历程：深度学习方法卷积神经网络（CNN）是深度学习应用在人脸识别上最常用技术，从大量的数据中训练并学习人脸特征，对人脸图像的光照、姿态和表情等具有良好鲁棒性。Face Recognition: From Traditional to Deep Learning Methods, /abs/1811.00116/abs/1811.00116目标分析人脸识别的发展历程：深度学习方法主要的框架和方法有Facebook的DeepFace、港中大的DeepID、Google的FaceNet等，其中Google的FaceNet探索了VGG和GoogleNet两种网络框架。本案例使用的人脸特征提取方法即为FaceNet网络Face Recognition: From Traditional to Deep Learning Methods, /abs/1811.00116/abs/1811.00116开发环境讲解演示环境Python 3.8.xPyCharm Community Edition 2021TensorFlow 2.6.0目录1背景与目标2人脸检测3人脸对齐4人脸特征提取5人脸识别人脸检测人脸检测方法将图像大小对齐后使用MTCNN检测和定位图像中的人脸区域，然后截取人脸区域人脸检测截取