Face Recognition環境設置

來源: http://krasserm.github.io/2018/02/07/deep-face-recognition/

臉部辨識識別臉部圖像或圖片上的人。簡而言之，人臉識別系統從輸入人臉圖像中提取特徵，並將其與數據庫中標記人臉的特徵進行比較。比較基於特徵相似性度，並且最相似的數據庫條目的標籤用於標記輸入圖像。如果相似度值低於某個閾值，則輸入圖像被標記為未知。比較兩個面部圖像以確定它們是否顯示同一個人被稱為面部驗證。

本文使用深度卷積神經網絡（CNN）從輸入圖像中提取特徵。它遵循[1]中描述的方法，並受到OpenFace項目啟發的修改。 Keras用於實現CNN，Dlib和OpenCV以對準輸入圖像上的面。在LFW數據集的一小部分上評估面部識別性能，您可以將其替換為您自己的自定義數據集，例如如果您想進一步試驗筆記本，請附上您的家人和朋友的照片。在概述了CNN架構以及如何訓練模型之後，將演示如何：

1.在輸入圖像上檢測，變換和裁剪面部。這可確保面部在進入CNN之前對齊。該預處理步驟對於神經網絡的性能非常重要。(資料前處理)

2.使用CNN從對齊的輸入圖像中提取面部的128維表示或嵌入。在嵌入空間中，歐幾里德距離直接對應於面部相似性的度量。

3.將輸入嵌入向量與數據庫中標記的嵌入向量進行比較。這裡，支持向量機（SVM）和KNN分類器，在標記的嵌入向量上訓練，起到數據庫的作用。在此上下文中的面部識別意味著使用這些分類器來預測標籤，即新輸入的身份。

需要Dlib的面部地標數據文件的本地副本來運行面部對齊：

import bz2
import os

from urllib.request import urlopen

def download_landmarks(dst_file):
    url = 'http://dlib.net/files/shape_predictor_68_face_landmarks.dat.bz2'
    decompressor = bz2.BZ2Decompressor()
    
    with urlopen(url) as src, open(dst_file, 'wb') as dst:
        data = src.read(1024)
        while len(data) > 0:
            dst.write(decompressor.decompress(data))
            data = src.read(1024)

dst_dir = 'models'
dst_file = os.path.join(dst_dir, 'landmarks.dat')

if not os.path.exists(dst_file):
    os.makedirs(dst_dir)
    download_landmarks(dst_file)

code 說明