基于深度学习的人脸识别.pptxVIP

基于深度学习的人脸识别主讲人信息工程学院高政霞老师《实战深度学习—原理、框架和应用》

前言①人脸验证做的是1：1的比对，即判断两张图片里的人是否为同一人。②人脸识别做的是1：N的比对，即判断系统当前见到的人，为事先见过的众多人中的哪一个。人脸识别问题宏观上分为两类，一是人脸验证（又叫人脸比对），二是人脸识别。人脸识别技术包括采集训练图像数据集、人脸检测和提取人脸特征等过程，人脸识别技术隶属于生物识别技术的一种，主要用生物识别技术来进行区分，使用人脸特征等信息来进行识别。二十世纪八十年代国内开始对人脸识别技术的研究，当时主要研究主体是研究机构和高校，经历了技术引进-专业市场导入-技术完善-技术应用-各行业领域使用等五个阶段。近年来广泛应用于安全防务、电子商务等领域，深度学习技术让计算机人脸识别能力超越人类的识别程度。

目录contents训练图像数据采集CNN人脸识别设计CNN模型搭建本章总结Part01Part02Part03Part04

01训练图像数据采集

人脸识别的精准度与数据集有很大的关系，数据集越符合规范精准度越高，数据集越嘈杂越容易造成神经网络训练时向错误的方向传播。例如，训练目的是识别狗狗，然后一半数据集是猫咪，在进行测试的时候，可能会造成猫咪也识别成狗狗。提供人脸数据库的有PubFig:PublicFiguresFaceDatabase等网站。在接下来的案例中，选取PubFig:PublicFiguresFaceDatabase作为训练图像数据集。它记录了大量人脸数据，里面包含了两百个人的五万八千多张图像。但是它不太适合做这么简单的人脸识别训练数据集，因为这些图像都存在着姿势、表情和光照的差异，作为仅仅识别人脸的训练数据集会不大合适，所以在这可以通过不断的筛选使得人脸数据集逐渐的适合案例中构建的神经网络。01训练图像数据采集训练图像数据源

PubFig数据集一共分为了两大部分，一部分包含60个人的图像，另一部分包含另外160个人的图像。这两部分数据都分为了两个文件记录，一个储存的是人的名字，另一个储存的是这些人的图像地址等信息。案例中使用的是包含60个人那部分的图像，这60个人一共有16336张图像。（1）加载人脸数据文件（2）下载与储存图像数据（3）训练图像数据整理01训练图像数据采集爬取图像数据集

01训练图像数据采集爬取图像数据集加载人脸数据文件包括了personName.txt和url.txt两个文件，personName.txt文件储存了所有人脸图像的名字，url.txt文件储存了人名、图片序号、URL地址、人脸坐标和MD5校验码。在拥有这两个文件的前提下可以通过personName.txt创建文件夹以储存即将下载的图片，然后读取url.txt文件。加载url.txt文件，获取需要用到的数据，并把数据进行另外存储。01加载人脸数据文件

01训练图像数据采集爬取图像数据集加载url.txt文件和personName.txt文件后，开始编写爬虫以爬取需要的图像数据。由于需要长时间爬取，虽然图像数据集来源于很多的网站，但为防止它们同一个网站的图像聚集而导致爬虫在此网站被封，所以要模拟浏览器、设置代理IP和动态头部，防止爬虫被网站封杀。通过urllibs的requests获取图片，获取图片后需要对图片进行脸部截取，截取后使用OpenCV进行人脸检测，检测图像是否包含人脸，是否符合人脸识别的需要，因为不是每一张图片网站都能很完美地标注人脸的位置。02下载与储存图像数据

01训练图像数据采集爬取图像数据集下载好图像后就会发现，下载的图像并不能全部满足需求，比如一开始爬取到图像按照人脸坐标截取后发现并不是每张截取到的图片都有人脸。首先要做的就是针对下载好的图片做一个筛选，筛选出从正面截取、不戴墨镜、头发不遮掩和能准确看出五官的图像。由于爬取时间长使得url.txt文件的部分URL失效或链接无响应，最后获取到的图像有10173张图像，最后经过筛选只取了6031张人脸图像。03训练图像数据整理

02CNN人脸识别设计

在进行卷积神经网络人脸识别时，先获取足够训练图像数据集，然后进一步对图像进行规范化。在获取足够的训练图像数据后，开始搭建卷积神经网络，使用的是Keras函数库搭建卷积神经网络模型。激活函数的存在是为解决非线性方程数据，一般遇见的激活函数有Relu、Sigmoid和Maxout等激活函数。在确定卷积神经网络激活函数后，需要确定卷积神经网络模型的卷积层数，再进一步确定使用卷积层使用搭建，卷积核的行列数等都需要进一步确定。基于Python实现CNN人脸识别，是使用Python实现神经网络搭建和图片预处理等过程，再使