基于DeepFace模型设计的人脸识别软件

资源下载地址：https://download.csdn.net/download/sheziqiong/85601096

人脸识别软件(无外部API)

V2.0 基于DeepFace模型设计的人脸识别软件
V1.0 基于PCA模型设计的人脸识别软件

V2.0

• 在观看了吴恩达老师的“深度学习课程”，了解了深度卷积神经网络在人脸识别中的应用。其中提到的DeepFace模型在作业中有实现过程，故借此机会，将该模型应用到自己的人脸识别软件上。
• 引入 DeepFaceNet 模型，提高了识别准确率。同时解决了One-Shot问题。

新增文件

• dir ‘deepface’：包含了模型文件、识别函数、编码函数等
  1. ‘deepface.h5’ ：DeepFace模型文件，采用Keras(Tensorflow backend)加载模型。
  2. ‘fr_utils.py’ ：深度人脸识别接口，包含：模型编码人脸函数、人脸识别函数。
  3. ‘inception_blocks.py’：DeepFace模型接口文件，包含：加载模型函数、模型损失函数。

更新细节

1. 'face_recognition.py’中新建了’DeepFaceRecognition’类，用于人脸识别。
2. 增加识别细节的处理，未注册用户将会显示“Unknown”。
3. 在图像预处理部分加入直方图均衡化，增加了在较暗处的识别准确率。

V1.0

• 起初，在数据库课程设计部分，我用C#设计了一个基于人脸识别的签到记录系统。这个系统中的人脸识别部分使用的是商汤科技 Face++ API。由于识别速度比较慢，还需要连网，我总想将其改为离线式识别。所以，就有了这一篇博客。
• 基于之前写过的一篇博客 《图像处理之人脸识别》 中介绍的基于PCA的训练模型方法得到了人脸模型。
• 基于人脸模型、Python设计了这个小软件。这样摆脱了使用第三方API的缺点，识别速度更快。不过，经过测试，该方法受到光照影响较大。

开发工具

环境

1. windows 10
2. Anaconda(Spyder)

语言

1. 软件设计：Python
2. 模型训练使用：Matlab

框架

1. python-opencv
   • 实现人脸检测功能，得到人脸区域
2. numpy
   • 矩阵运算
3. scipy
   • 科学计算，加载模型文件
4. tkinter
   • GUI开发

功能简介

人脸识别

• 在本软件设计中，我们使用的模型文件为 Matlab 导出的 .mat 文件。文件里面保存了两个矩阵 mean_face 与 V，前者为 平均脸向量，后者为人脸空间矩阵。

• 该软件保存的用户人脸图像大小为 112 x 92。每次开启软件时，加载所有用户图像进入内存，并将二维图像拉伸为一维向量。
  $v_{user}^{(i)}$代表用户$i$的人脸图像向量

• 然后，我们将所有用户图像向量组合为用户图像矩阵，该矩阵的每一列为用户图像向量：

$$U=\left[\begin{array}{c}(v_{user}^{(0)}{)}^T(v_{user}^{(1)}{)}^T\cdots (v_{user}^{(n)}{)}^T\end{array}\right]$$

• 将用户图像矩阵$U$中的每一列减去平均脸向量$v_{mean\_face}$，再将运算后的矩阵投影至模型空间更新矩阵$U$:

$$U=V^T\cdot (U.-v_{mean\_face})$$

• 如此一来，我们得到了降维后的用户人脸矩阵。

识别过程

1. 采集人脸图像，提取人脸部分，并将图像转换为向量形式：$v_{input}$

2. 将上一步得到的人脸向量按如下公式投影至模型空间：
   $$v_{pca}=V^T\cdot (v_{input}-v_{mean\_face})$$

3. 将上一步得到的$v_{pca}$向量与$U$矩阵中的每一列计算 欧式距离，找到最近的一列即为识别目标。

识别函数代码

def __recognize(self, image, face):
        """ the system approves the user's identity according to his face """
        name = ''
        try:
            (x, y, w, h) = face
            image = Image.fromarray(image).crop((x, y, x+w, y+h)).resize(self.img_size)
            img_vec = self.V.T.dot(np.array(image).reshape([-1, 1]) - self.mean_face)
            distances = [la.norm(img_vec - self.user_matrix[:, j].reshape([-1, 1])) \
                         for j in range(self.user_matrix.shape[1])]
            
            min_dis = np.min(distances)
            index = np.where(distances == min_dis)[0][0]
            # print(min_dis, index)
            name = self.user_names[index]
        except:
            pass
        
        return name

人像导入

• 主要是为了方便导入用户人像，故加入该功能。

• 在界面中选择导入文件夹路径后，循环处理文件夹中的所有图像。提取人像部分并转换为灰度图片，保存至软件存储人像的相对路径下。

拍照录入

• 为了录入用户人像信息，用户可以在开启摄像头、输入姓名后，点击界面上的拍照按钮，即可保存人像信息至软件文件夹下。

软件缺陷

1. 光照问题
   • 比如：在光线比较亮的地方录入人像后，用户在光线暗的地方就容易被识别错误。
   • 尝试解决问题的办法是：图像预处理部分使用了直方图均衡化，不过只起到了一部分作用。
   • 因此使用时，应尽可能地保持录入环境与检测环境一致。

资源下载地址：https://download.csdn.net/download/sheziqiong/85601096