facenet lfw训练
https://blog.csdn.net/oYeZhou/article/details/88942598
近期，做人脸识别项目，用到了facenet这个开源框架，并使用LFW人脸数据集进行了测试。现将该过程总结如下：
1 facenet简介
GitHub地址：https://github.com/davidsandberg/facenet.git
facenet的原理就是基于同一人脸总是比不同人脸更相似这一先验知识，然后利用传统卷积神经网络特征提取，利用三元损失函数进行训练。最终，将人脸映射到特征空间后，同一身份的人脸距离较近，不同身份的人脸距离较远。模型的输出是一个512维的向量（原来是128维）。
算法详情可参考其论文：https://arxiv.org/pdf/1503.03832.pdf。
2 LFW数据集简介
网盘链接: https://pan.baidu.com/s/1qOrFv_8RhIhUJvAmwE8p0g 提取码: kfwh
LFW数据集是对5000多人在自然场景下采集的共13000多张图像。lfw_funneled文件夹中每个子文件夹代表一个人，其中包含其若干张同一身份不同场景下的照片，有的只有一张，有的有多张。
lfw_funneled中还包含了几个txt文档，这里面记录了这些人脸的不同组合，我们使用其中的pairs.txt中的组合进行人脸比对测试。
pairs.txt里面包含了6000对人脸，3000对同一身份，3000对不同身份。文档第一行的10 300代表正负样本以300的数量依次罗列，重复10次，因此共10*（300对正样本+300对负样本）= 6000对人脸。
3 测试过程
3.1 图像路径提取
首先，我们根据pairs.txt进行图片路径的提取：
def get_img_pairs_list(pairs_txt_path,img_path):
""" 指定图片组合及其所在文件，返回各图片对的绝对路径
Args:
pairs_txt_path：图片pairs文件，里面是6000对图片名字的组合
img_path：图片所在文件夹
return:
img_pairs_list：深度为2的list，每一个二级list存放的是一对图片的绝对路径
"""
file = open(pairs_txt_path)
img_pairs_list,labels = [],[]
while 1:
img_pairs = []
line = file.readline().replace('\n','')
if line == '':
break
line_list = line.split('\t')
if len(line_list) == 3:
# 图片路径示例：
# 'C:\Users\thinkpad1\Desktop\image_set\lfw_funneled\Tina_Fey\Tina_Fey_0001.jpg'
img_pairs.append(img_path+'\\'+line_list[0]+'\\'+line_list[0]+'_'+('000'+line_list[1])[-4:]+'.jpg')
img_pairs.append(img_path+'\\'+line_list[0]+'\\'+line_list[0]+'_'+('000'+line_list[2])[-4:]+'.jpg')
labels.append(1)
elif len(line_list) == 4:
img_pairs.append(img_path+'\\'+line_list[0]+'\\'+line_list[0]+'_'+('000'+line_list[1])[-4:]+'.jpg')
img_pairs.append(img_path+'\\'+line_list[2]+'\\'+line_list[2]+'_'+('000'+line_list[3])[-4:]+'.jpg')
labels.append(0)
else:
continue
img_pairs_list.append(img_pairs)
return img_pairs_list,labels
利用上述代码，即可提取所有人类对的绝对路径，返回一个路径list及其标签（1或0）。
3.2 人脸检测、对比
获取到人脸对的图片路径及标签之后，在使用facenet将其转化为512维的向量之前，需要先对图像进行人脸提取，即截取其中的人脸区域。这里用到了MTCNN模型，用于检测出人脸并将人脸区域单独提出来，然后就可以利用facenet进行人脸特征向量的转化了。得到这对人脸的特征向量之后，求其欧氏距离，即可根据该距离判断其是否为同一身份了。提取及比对过程如下（其中模型model是MTCNN的参数，在facenet的GitHub项目的“facenet/src/models/”路径下已有；model_facenet模型因为比较大，需要单独下载，点击下载：链接: https://pan.baidu.com/s/1ty7NfBYIretHhnZwwl2dTg 提取码: g3jy）：
def face_verification(img_pairs_list):
model = './model/'
model_facenet = r'XXX\XXX\20180402-114759.pb' # 模型在你电脑中的路径
# mtcnn相关参数
minsize=40
threshold=[0.4,0.5,0.6] # pnet、rnet、onet三个网络输出人脸的阈值，大于阈值则保留，小于阈值则丢弃
factor = 0.709 # scale factor
# 创建mtcnn网络
with tf.Graph().as_default():
sess=tf.Session()
with sess.as_default():
pnet,rnet,onet=detect_face.create_mtcnn(sess, model)
margin = 44
image_size = 160
with tf.Graph().as_default():
with tf.Session() as sess:
# 根据模型文件载入模型
facenet.load_model(model_facenet)
# 得到输入、输出等张量
images_placeholder = tf.get_default_graph().get_tensor_by_name("input:0")
embeddings = tf.get_default_graph().get_tensor_by_name("embeddings:0")
phase_train_placeholder = tf.get_default_graph().get_tensor_by_name("phase_train:0")
# 设置可视化进度条相关参数
jd = '\r %2d%%\t [%s%s]'
bar_num_total = 50
total_num = len(img_pairs_list)
result, dist = [],[]
for i in range(len(img_pairs_list)):
# 画进度条
if i%round(total_num/bar_num_total) == 0 or i == total_num-1:
bar_num_alright = round(bar_num_total*i/total_num)
alright = '#'*bar_num_alright
not_alright = '□'*(bar_num_total-bar_num_alright)
percent = (bar_num_alright/bar_num_total)*100
print(jd % (percent,alright,not_alright),end='')
# 读取一对人脸图像
img_pairs = img_pairs_list[i]
img_list = []
img1 = cv2.imread(img_pairs[0])
img2 = cv2.imread(img_pairs[1])
img_size1 = np.asarray(img1.shape)[0:2]
img_size2 = np.asarray(img2.shape)[0:2]
# 检测该对图像中的人脸
bounding_box1,_1=detect_face.detect_face(img1,minsize,pnet,rnet,onet,threshold,factor)
bounding_box2,_2=detect_face.detect_face(img2,minsize,pnet,rnet,onet,threshold,factor)
# 未检测到人脸，则将结果标为-1，后续计算准确率时排除
if len(bounding_box1)<1 or len(bounding_box2)<1:
result.append(-1)
dist.append(-1)
continue
# 将图片1加入img_list
det = np.squeeze(bounding_box1[0,0:4])
bb = np.zeros(4, dtype=np.int32)
bb[0] = np.maximum(det[0]-margin/2, 0)
bb[1] = np.maximum(det[1]-margin/2, 0)
bb[2] = np.minimum(det[2]+margin/2, img_size1[1])
bb[3] = np.minimum(det[3]+margin/2, img_size1[0])
cropped = img1[bb[1]:bb[3],bb[0]:bb[2],:]
aligned = cv2.resize(cropped, (image_size, image_size))
prewhitened = facenet.prewhiten(aligned)
img_list.append(prewhitened)
# 将图片2加入img_list
det = np.squeeze(bounding_box2[0,0:4])
bb = np.zeros(4, dtype=np.int32)
bb[0] = np.maximum(det[0]-margin/2, 0)
bb[1] = np.maximum(det[1]-margin/2, 0)
bb[2] = np.minimum(det[2]+margin/2, img_size2[1])
bb[3] = np.minimum(det[3]+margin/2, img_size2[0])
cropped = img2[bb[1]:bb[3],bb[0]:bb[2],:]
aligned = cv2.resize(cropped, (image_size, image_size))
prewhitened = facenet.prewhiten(aligned)
img_list.append(prewhitened)
images = np.stack(img_list)
# 将两个人脸转化为512维的向量
feed_dict = { images_placeholder: images, phase_train_placeholder:False }
emb = sess.run(embeddings, feed_dict=feed_dict)
# 计算两个人脸向量的距离
ed = np.sqrt( np.sum( np.square( np.subtract(emb[0], emb[1]) ) ) )
dist.append(ed)
# 根据得出的人脸间的距离，判断是否属于同一个人
if ed<=1.1:
result.append(1)
else:
result.append(0)
return result,dist
上述代码可以实现在某一指定阈值下，进行人脸比对，得出对比结果存于result中，用于后续计算准确率；同时，为了画出ROC曲线，这里还返回了，所有人脸对的欧氏距离，存于dist中。
实际上，上述result是dist在某一个阈值下的截面数据，通过设置不同阈值，即可根据dist得出不同的result，下面正是利用这个原理画出的ROC曲线。
3.3 ROC曲线
根据3.2得出的每对人脸的欧氏距离，还有3.1得出的各对人脸样本的标签，即可画出计算出ROC曲线所需指标：TPR、FPR。
代码如下：
def roc(dist,labels):
TP_list,TN_list,FP_list,FN_list,TPR,FPR = [],[],[],[],[],[]
for t in range(180):
threh = 0.1+t*0.01
TP,TN,FP,FN = 0,0,0,0
for i in range(len(dist)):
if labels[i]==1 and dist[i]!=-1:
if dist[i]<threh:
TP += 1
else:
FN += 1
elif labels[i]==0 and dist[i]!=-1:
if dist[i]>=threh:
TN += 1
else:
FP += 1
TP_list.append(TP)
TN_list.append(TN)
FP_list.append(FP)
FN_list.append(FN)
TPR.append(TP/(TP+FN))
FPR.append(FP/(FP+TN))
return TP_list,TN_list,FP_list,FN_list,TPR,FPR
4 完整代码
# -*- coding: utf-8 -*-
"""
Created on Fri Mar 22 09:59:41 2019
@author: Leon
内容：
人脸验证准确率测试
样本：LFW人脸集，共6000对人脸，中3000对同一身份、3000对不同身份。
"""
import numpy as np
import cv2
import tensorflow as tf
import matplotlib.pyplot as plt
# facenet 和 detect_face 均在facenet项目文件中，这里是直接将其放到测试脚本同一路径下了，也可以安装facenet,然后调用之
import facenet
import align.detect_face as detect_face
def face_verification(img_pairs_list):
model = './model/'
model_facenet = r'XXX\XXX\20180402-114759.pb'
# mtcnn相关参数
minsize=40
threshold=[0.4,0.5,0.6] # pnet、rnet、onet三个网络输出人脸的阈值，大于阈值则保留，小于阈值则丢弃
factor = 0.709 # scale factor
# 创建mtcnn网络
with tf.Graph().as_default():
sess=tf.Session()
with sess.as_default():
pnet,rnet,onet=detect_face.create_mtcnn(sess, model)
margin = 44
image_size = 160
with tf.Graph().as_default():
with tf.Session() as sess:
# 根据模型文件载入模型
facenet.load_model(model_facenet)
# 得到输入、输出等张量
images_placeholder = tf.get_default_graph().get_tensor_by_name("input:0")
embeddings = tf.get_default_graph().get_tensor_by_name("embeddings:0")
phase_train_placeholder = tf.get_default_graph().get_tensor_by_name("phase_train:0")
# 设置可视化进度条相关参数
jd = '\r %2d%%\t [%s%s]'
bar_num_total = 50
total_num = len(img_pairs_list)
result, dist = [],[]
for i in range(len(img_pairs_list)):
# 画进度条
if i%round(total_num/bar_num_total) == 0 or i == total_num-1:
bar_num_alright = round(bar_num_total*i/total_num)
alright = '#'*bar_num_alright
not_alright = '□'*(bar_num_total-bar_num_alright)
percent = (bar_num_alright/bar_num_total)*100
print(jd % (percent,alright,not_alright),end='')
# 读取一对人脸图像
img_pairs = img_pairs_list[i]
img_list = []
img1 = cv2.imread(img_pairs[0])
img2 = cv2.imread(img_pairs[1])
img_size1 = np.asarray(img1.shape)[0:2]
img_size2 = np.asarray(img2.shape)[0:2]
# 检测该对图像中的人脸
bounding_box1,_1=detect_face.detect_face(img1,minsize,pnet,rnet,onet,threshold,factor)
bounding_box2,_2=detect_face.detect_face(img2,minsize,pnet,rnet,onet,threshold,factor)
# 未检测到人脸，则将结果标为-1，后续计算准确率时排除
if len(bounding_box1)<1 or len(bounding_box2)<1:
result.append(-1)
dist.append(-1)
continue
# 将图片1加入img_list
det = np.squeeze(bounding_box1[0,0:4])
bb = np.zeros(4, dtype=np.int32)
bb[0] = np.maximum(det[0]-margin/2, 0)
bb[1] = np.maximum(det[1]-margin/2, 0)
bb[2] = np.minimum(det[2]+margin/2, img_size1[1])
bb[3] = np.minimum(det[3]+margin/2, img_size1[0])
cropped = img1[bb[1]:bb[3],bb[0]:bb[2],:]
aligned = cv2.resize(cropped, (image_size, image_size))
prewhitened = facenet.prewhiten(aligned)
img_list.append(prewhitened)
# 将图片2加入img_list
det = np.squeeze(bounding_box2[0,0:4])
bb = np.zeros(4, dtype=np.int32)
bb[0] = np.maximum(det[0]-margin/2, 0)
bb[1] = np.maximum(det[1]-margin/2, 0)
bb[2] = np.minimum(det[2]+margin/2, img_size2[1])
bb[3] = np.minimum(det[3]+margin/2, img_size2[0])
cropped = img2[bb[1]:bb[3],bb[0]:bb[2],:]
aligned = cv2.resize(cropped, (image_size, image_size))
prewhitened = facenet.prewhiten(aligned)
img_list.append(prewhitened)
images = np.stack(img_list)
# 将两个人脸转化为512维的向量
feed_dict = { images_placeholder: images, phase_train_placeholder:False }
emb = sess.run(embeddings, feed_dict=feed_dict)
# 计算两个人脸向量的距离
ed = np.sqrt( np.sum( np.square( np.subtract(emb[0], emb[1]) ) ) )
dist.append(ed)
# 根据得出的人脸间的距离，判断是否属于同一个人
if ed<=1.1:
result.append(1)
else:
result.append(0)
return result,dist
def get_img_pairs_list(pairs_txt_path,img_path):
""" 指定图片组合及其所在文件，返回各图片对的绝对路径
Args:
pairs_txt_path：图片pairs文件，里面是6000对图片名字的组合
img_path：图片所在文件夹
return:
img_pairs_list：深度为2的list，每一个二级list存放的是一对图片的绝对路径
"""
file = open(pairs_txt_path)
img_pairs_list,labels = [],[]
while 1:
img_pairs = []
line = file.readline().replace('\n','')
if line == '':
break
line_list = line.split('\t')
if len(line_list) == 3:
# 图片路径示例：
# 'C:\Users\thinkpad1\Desktop\image_set\lfw_funneled\Tina_Fey\Tina_Fey_0001.jpg'
img_pairs.append(img_path+'\\'+line_list[0]+'\\'+line_list[0]+'_'+('000'+line_list[1])[-4:]+'.jpg')
img_pairs.append(img_path+'\\'+line_list[0]+'\\'+line_list[0]+'_'+('000'+line_list[2])[-4:]+'.jpg')
labels.append(1)
elif len(line_list) == 4:
img_pairs.append(img_path+'\\'+line_list[0]+'\\'+line_list[0]+'_'+('000'+line_list[1])[-4:]+'.jpg')
img_pairs.append(img_path+'\\'+line_list[2]+'\\'+line_list[2]+'_'+('000'+line_list[3])[-4:]+'.jpg')
labels.append(0)
else:
continue
img_pairs_list.append(img_pairs)
return img_pairs_list,labels
def roc(dist,labels):
TP_list,TN_list,FP_list,FN_list,TPR,FPR = [],[],[],[],[],[]
for t in range(180):
threh = 0.1+t*0.01
TP,TN,FP,FN = 0,0,0,0
for i in range(len(dist)):
if labels[i]==1 and dist[i]!=-1:
if dist[i]<threh:
TP += 1
else:
FN += 1
elif labels[i]==0 and dist[i]!=-1:
if dist[i]>=threh:
TN += 1
else:
FP += 1
TP_list.append(TP)
TN_list.append(TN)
FP_list.append(FP)
FN_list.append(FN)
TPR.append(TP/(TP+FN))
FPR.append(FP/(FP+TN))
return TP_list,TN_list,FP_list,FN_list,TPR,FPR
if __name__ == '__main__':
pairs_txt_path = 'C:/Users/thinkpad1/Desktop/image_set/lfw_funneled/pairs.txt'
img_path = 'C:/Users/thinkpad1/Desktop/image_set/lfw_funneled'
img_pairs_list,labels = get_img_pairs_list(pairs_txt_path,img_path)
result,dist = face_verification(img_pairs_list)
num_right, num_total = 0, 0
num_total = len([r for r in result if r != -1])
num_right = len([result[i] for i in range(len(result)) if result[i] == labels[i]])
print("人脸验证测试完毕")
print("阈值为1.1，共%d对人脸，准确率%2.4f%%"%(num_total, round(100*num_right/num_total,4)))
TP_list,TN_list,FP_list,FN_list,TPR,FPR = roc(dist,labels)
plt.plot(FPR,TPR,label='Roc')
plt.plot([0, 1], [0, 1], '--', color=(0.6, 0.6, 0.6), label='Luck')
plt.xlabel('FPR')
plt.ylabel('TPR')
plt.legend()
plt.plot(np.linspace(0.1,1.89,180),TP_list,label='TP')
plt.plot(np.linspace(0.1,1.89,180),TN_list,label='TN')
plt.plot(np.linspace(0.1,1.89,180),FP_list,label='FP')
plt.plot(np.linspace(0.1,1.89,180),FN_list,label='FN')
plt.legend()
5 测试结果
在阈值1.1下测试准确率为93.48%，这里没有达到其宣称的99%+的准确率。
利用每对人脸距离，通过设置不同距离阈值，画出ROC曲线，如下图（左），将TP，TN，FP，FN的曲线也画出来，可以佐证阈值在1.1时，达到最好的分类效果（TP、TN最大，FP、FN最小）。
https://blog.csdn.net/oYeZhou/article/details/88942598
facenet lfw训练相关推荐
- 如何使用facenet
如何使用facenet 预训练: 20180408-102900 0.9905 CASIA-WebFace Inception ResNet v1 https://drive.goo ...
- 人脸检测MTCNN和人脸识别Facenet(附源码)
原文链接:人脸检测MTCNN和人脸识别Facenet(附源码) 在说到人脸检测我们首先会想到利用Harr特征提取和Adaboost分类器进行人脸检测(有兴趣的可以去一看这篇博客第九节.人脸检测之Haa ...
- （转）如何应用MTCNN和FaceNet模型实现人脸检测及识别
https://zhuanlan.zhihu.com/p/37705980 人脸检测与人脸识别 人脸检测是对人脸进行识别和处理的第一步,主要用于检测并定位图片中的人脸,返回高精度的人脸框坐标及人脸特征 ...
- FaceNet使用简介
FaceNet使用简介 Google工程师Florian Schroff,Dmitry Kalenichenko,James Philbin提出了人脸识别FaceNet模型,该模型没有用传统的soft ...
- （转）第三十七节、人脸检测MTCNN和人脸识别Facenet(附源码)
http://www.cnblogs.com/zyly/p/9703614.html 在说到人脸检测我们首先会想到利用Harr特征提取和Adaboost分类器进行人脸检测(有兴趣的可以去一看这篇博客第 ...
- Android制造 FaceID [FaceNet + MobileNet]
1. Abstract 好久没有在简书上写文章,最近在弄关于人脸识别的内容和研读一些论文.碰巧Apple的新iPhone X搭配了Face ID进行刷脸,我有一个想法,给Android做一个类似的Fa ...
- facenet在亚洲人脸上的效果测试
准备工作 下载FaceNet源码 https://github.com/davidsandberg/facenet LFW评估测试数据下载 http://vis-www.cs.umass.edu/lf ...
- facenet识别准确率_GitHub - zjj-2015/tf_facenet: facenet人脸检测与识别系统
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 ...
- 基于facenet的实时人脸检测
参考自https://github.com/shanren7/real_time_face_recognition 本人的项目代码https://github.com/zouzhen/real_tim ...
- 人脸识别 (3) FaceNet安装与测试
参见:算法---FaceNet在Tf下的实战篇 - WP的烂笔头 - 博客园 facenet 人脸识别源码的使用方法(一)码 1.源码下载:FaceNet源码+模型 (1)FaceNet在github ...
最新文章
- Codeigniter 利用加密Key（密钥）的对象注入漏洞
- Python入门100题 | 第017题
- SAP——102和122和161区别
- leetcode 寻找重复的数633 python
- python安装库失败cannot determine archive_pip 无法安装 pip
- docker mysql 生产环境_如何部署Docker MySQL生产环境？
- python爬虫的用途_python爬虫用途
- 【英语学习】【Level 08】U03 My Choice L2 All-time favorite character
- mysql 5.6 2002_MySQL错误ERROR 2002 (HY000): Can't connect to local MySQL server
- WebLogic—在Eclipse上配置WebLogic Server
- stylegan中用到的pixelnorm(PixelNorm)
- 2021华科计算机考研复试机试 与 复试经验分享
- js中的symbol详解
- 在Win10中安装虚拟机：VMware Workstation Player+Ubuntu20.04
- 淘宝flexible.js+rem适配pc端
- AC自动机+状压dp hdu2825 Wireless Password
- excel vba如何在不打开的情况下获取.pdf文件的打印页码数
- FPM五：拆解前面的四——OVP做查询和结果
- 《我的前半生》其实是一部披着职场励志外衣的《霸道总裁爱上我》
- 源码分享意义何在？为何很多官方软件开发商都会有破解版和bug版本的系统盛行？