Python 神经网络实现人脸识别.zip

<div id="article_content" class="article_content clearfix"> <link rel="stylesheet" href="https://csdnimg.cn/release/blogv2/dist/mdeditor/css/editerView/ck_htmledit_views-1a85854398.css"> <div id="content_views" class="markdown_views prism-atom-one-light"> <svg xmlns="http://www.w3.org/2000/svg" style="display: none;"> <path stroke-linecap="round" d="M5,0 0,2.5 5,5z" id="raphael-marker-block" style="-webkit-tap-highlight-color: rgba(0, 0, 0, 0);"></path> </svg> <h1><a name="t0"></a><a id="_0"></a>一.项目简介</h1> <h2><a name="t1"></a><a id="1_1"></a>1.数据</h2> <p><strong>数据下载链接</strong><a href="https://pan.baidu.com/s/1vXrv0E4rmvVKn0GpuGoeOw">https://pan.baidu.com/s/1vXrv0E4rmvVKn0GpuGoeOw</a></p> <blockquote> <p>数据集：总共数据集由两部分组成：他人脸图片集及我自己的部分图片<br> 自己图片目录：face_recog/my_faces<br> 他人图片目录：face_recog/other_faces<br> 我的测试图片目录：face_recog/test_faces</p> </blockquote> <h2><a name="t2"></a><a id="2_7"></a>2.人脸识别</h2> <blockquote> <p>获取数据后，第一件事就对对图片进行处理，即人脸识别，把人脸的范围确定下来，人脸识别有很多方法，这里使用的是 dlib 来识别人脸部分，当然也可以使用 opencv 来识别人脸，<code>在实际使用过程中，dlib 的识别效果比 opencv 的好一些</code>。<br> 识别处理后的图片存放路径为：my_faces(存放预处理我的图片,里面还复制一些图片），other_faces（存放预处理别人图片）</p> </blockquote> <h2><a name="t3"></a><a id="3_10"></a>3.建立模型，训练数据</h2> <blockquote> <p>这里使用卷积神经网络来建立模型，用了 3 个卷积层（采用了池化、dropout 等技术），一个全连接层，分类层、输出层。</p> </blockquote> <h2><a name="t4"></a><a id="4_12"></a>4.性能评估</h2> <h2><a name="t5"></a><a id="5__13"></a>5. 用测试数据，验证模型</h2> <h1><a name="t6"></a><a id="_15"></a><strong><code>下面开始代码实现啦</code></strong></h1> <h1><a name="t7"></a><a id="_17"></a>二.数据准备</h1> <h2><a name="t8"></a><a id="_18"></a>导入模块</h2> <pre class="prettyprint"><code class="has-numbering" onclick="mdcp.copyCode(event)" style="position: unset;">import sys import os import cv2 import dlib import matplotlib import time start=time.time() <div class="hljs-button {2}" data-title="复制（为作者贡献原力分）" data-report-click="{&quot;spm&quot;:&quot;1001.2101.3001.4259&quot;}"></div></code><ul class="pre-numbering" style=""><li style="color: rgb(153, 153, 153);">1</li><li style="color: rgb(153, 153, 153);">2</li><li style="color: rgb(153, 153, 153);">3</li><li style="color: rgb(153, 153, 153);">4</li><li style="color: rgb(153, 153, 153);">5</li><li style="color: rgb(153, 153, 153);">6</li><li style="color: rgb(153, 153, 153);">7</li></ul></pre> <h2><a name="t9"></a><a id="1_29"></a>1.获取数据</h2> <pre class="prettyprint"><code class="has-numbering" onclick="mdcp.copyCode(event)" style="position: unset;"># 1.定义输入、输出目录，文件解压到当前目录,my_faces目录下，output_dir_myself 为检测以后我的的头像 input_dir_myself = 'face_recog/my_faces' output_dir_myself = 'my_faces' size = 64 *# 2.判断输出目录是否存在，不存在，则创建 if not os.path.exists(output_dir_myself): os.makedirs(output_dir_myself) # 3.利用 dlib 的人脸特征提取器，使用 dlib 自带的 frontal_face_detector 作为我们的特征提取器 detector = dlib.get_frontal_face_detector() <div class="hljs-button {2}" data-title="复制（为作者贡献原力分）" data-report-click="{&quot;spm&quot;:&quot;1001.2101.3001.4259&quot;}"></div></code><ul class="pre-numbering" style=""><li style="color: rgb(153, 153, 153);">1</li><li style="color: rgb(153, 153, 153);">2</li><li style="color: rgb(153, 153, 153);">3</li><li style="color: rgb(153, 153, 153);">4</li><li style="color: rgb(153, 153, 153);">5</li><li style="color: rgb(153, 153, 153);">6</li><li style="color: rgb(153, 153, 153);">7</li><li style="color: rgb(153, 153, 153);">8</li><li style="color: rgb(153, 153, 153);">9</li><li style="color: rgb(153, 153, 153);">10</li><li style="color: rgb(153, 153, 153);">11</li></ul></pre> <h2><a name="t10"></a><a id="2_43"></a>2.预处理数据</h2> <pre class="prettyprint"><code class="has-numbering" onclick="mdcp.copyCode(event)" style="position: unset;"># 接下来使用 dlib 来批量识别图片中的人脸部分，并对原图像进行预处理，并保存到指定目录下。 #1.预处理我的头像 index = 1 for (path, dirnames, filenames) in os.walk(input_dir_myself): for filename in filenames: if filename.endswith('.jpg'): print('Being processed picture %s' % index) img_path = path+'/'+filename # 从文件读取图片 img = cv2.imread(img_path) # 转为灰度图片 gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 使用 detector 进行人脸检测 dets 为返回的结果 dets = detector(gray_img, 1) #使用 enumerate 函数遍历序列中的元素以及它们的下标 #下标 i 即为人脸序号 #left：人脸左边距离图片左边界的距离 ；right：人脸右边距离图片左边界的距离 #top：人脸上边距离图片上边界的距离 ；bottom：人脸下边距离图片上边界的距离 for i, d in enumerate(dets): x1 = d.top() if d.top() &gt; 0 else 0 y1 = d.bottom() if d.bottom() &gt; 0 else 0 x2 = d.left() if d.left() &gt; 0 else 0 y2 = d.right() if d.right() &gt; 0 else 0 # img[y:y+h,x:x+w] face = img[x1:y1,x2:y2] # 调整图片的尺寸 face = cv2.resize(face, (size,size)) cv2.imshow('image',face) # 保存图片 cv2.imwrite(output_dir_myself + '/' + str(index) + '.jpg', face) index += 1 # 不断刷新图像，频率时间为 30ms key = cv2.waitKey(30) &amp; 0xff if key == 27: sys.exit(0) # 2.用同样方法预处理别人的头像（我只选用别人部分头像） # 定义输入、输出目录，文件解压到当前目录,other_faces目录下 input_dir_other = 'face_recog/other_faces' output_dir_other = 'other_faces' size = 64 # 判断输出目录是否存在，不存在，则创建 if not os.path.exists(output_dir_other): os.makedirs(output_dir_other) #使用 dlib 自带的 frontal_face_detector 作为我们的特征提取器 detector = dlib.get_frontal_face_detector() # 预处理别人的头像 index = 1 for (path, dirnames, filenames) in os.walk(input_dir_other): for filename in filenames: if filename.endswith('.jpg'): print('Being processed picture %s' % index) img_path = path+'/'+filename # 从文件读取图片 img = cv2.imread(img_path) # 转为灰度图片 gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 使用 detector 进行人脸检测 dets 为返回的结果 dets = detector(gray_img, 1) #使用 enumerate 函数遍历序列中的元素以及它们的下标 #下标 i 即为人脸序号 #left：人脸左边距离图片左边界的距离 ；right：人脸右边距离图片左边界的距离 #top：人脸上边距离图片上边界的距离 ；bottom：人脸下边距离图片上边界的距离 for i, d in enumerate(dets):