理工酷

【Demo】Python中基于Tensorflow实现人脸识别

安装

1. Install the dependencies

2. Download the pretrained models here: https://drive.google.com/file/d/0Bx4sNrhhaBr3TDRMMUN3aGtHZzg/view?usp=sharing

    Then extract those files into models
    
3. In terminal do, source ./venv/bin/activate 
    
    then navigate to FaceRec folder location

4. Run main.py

要求

Python3 (3.5 ++ is recommended)

依赖

• opencv3
• numpy
• tensorflow ( 1.1.0-rc or 1.2.0 is recommended )

实现

`python3 main.py` to run the program
`python3 main.py --mode "input"` to add new user. Start turning left, right, up, down after inputting the new name. Turn slowly to avoid blurred images

为了获得最佳准确性，请在输入新主题时尝试模仿下图中所做的操作：

Flags:

--mode“ input” 将新用户添加到数据集中

使用的模型的信阿息：

面部识别架构：Facenet Inception Resnet V1

Davidsandberg repo中提供了预训练的模型 有关该模型的更多信息：https://arxiv.org/abs/1602.07261

人脸检测方法：MTCNN 有关MTCNN人脸检测的更多信息：https://kpzhang93.github.io/MTCNN_face_detection_alignment/

这两个模型同时运行

框架和库：

Tensorflow：Google深度学习框架 OpenCV：图像处理（VideoCapture，调整大小，..）

改进建议

为了使此repo尽可能简单，我可能会在单独的repo中使用“插件”：

鉴于Facenet模型准确性的限制，你可以通过多种方法来提高实际应用中的准确性。 我的建议之一是为屏幕上检测到的每个面部创建一个跟踪器，然后实时对每个面部进行识别。 然后，在经过一定数量的帧（3到10帧，取决于你的机器速度）之后，确定每个跟踪器中的人。 继续做同样的事情，直到跟踪器消失或失去跟踪。 结果可能如下：

{"Unknown" :3, "PersonA": 1, "PersonB": 20} ---> 该跟踪器正在跟踪人B

这肯定会提高你的程序能力，因为经过一定数量的帧后，结果很可能会倾向于图片中的正确对象，而不是像通常那样立即决定在1帧后立即做出选择。 这种方法的一个好处是，随着时间的推移，随着置信点的增加，人在摄像机前停留的时间越长，结果就越准确和可信。 另外，你可以通过多线程或处理技巧来提高性能。

演示：

点击图片获得完整现场演示视频：

来源https://github.com/vudung45/FaceRec