FaceNet

这是 FaceNet 的Keras实现 FaceNet: A Unified Embedding for Face Recognition and Clustering.

依赖项

数据集

CelebFaces Attributes Dataset (CelebA) 是一个大型的人脸数据集，有10,177个身份和202,599张人脸图像。

按照说明下载 CelebFaces Attributes (CelebA) 数据集.

模型结构

工作流程

处理单个输入图像的工作流程如下：

人脸检测：使用 Dlib 中预先训练的模型检测面部。
人脸校准：使用 Dlib 的实时姿势估计与 OpenCV 的仿射变换来尝试使眼睛和下唇在每个图像上出现在相同位置。
卷积网络：使用深度神经网络把人脸图片映射为 128 维单位超球面上的一个点。

图片来源

预训练模型

下载预训练模型，放在 models 目录下：

Dlib 人脸校准模型 shape_predictor_5_face_landmarks.dat.bz2
FaceNet 人脸识别模型 model.10-0.0156.hdf5

性能评估

使用 Labeled Faces in the Wild (LFW) 数据集做性能评估:

13233 人脸图片
5749 人物身份
1680 人有两张以上照片

准备数据

下载 LFW database 放在 data 目录下:

$ wget http://vis-www.cs.umass.edu/lfw/lfw-funneled.tgz
$ tar -xvf lfw-funneled.tgz
$ wget http://vis-www.cs.umass.edu/lfw/pairs.txt
$ wget http://vis-www.cs.umass.edu/lfw/people.txt

评估脚本

$ python lfw_eval.py

测得结果

准确度: 89.27 %.

如何使用

数据预处理

提取训练图像:

$ python pre-process.py

总共 202,599张人脸图像中，5600张无法被 dlib 标定。因此 202599 - 5600 = 196999 张被用于训练。

训练

$ python train.py

要想可视化训练过程，执行下面命令：

$ tensorboard --logdir path_to_current_dir/logs

DEMO

$ python demo.py

正(P)	欧式距离	锚(A)	欧式距离	反(N)
	0.1716		1.6495
1.2839	---	1.1502	---	1.1636
	0.3566		0.9795
1.6029	---	1.5733	---	1.2582
	0.7500		1.2708
1.4815	---	1.0065	---	1.7432
	0.2974		1.2198
2.0759	---	1.6838	---	1.3330
	0.3072		1.2609
0.5769	---	0.7416	---	0.8989
	0.3422		0.4381
1.4096	---	1.7690	---	1.0634
	0.5896		1.3287
1.7525	---	1.5093	---	0.9600
	0.5894		1.4106
1.5781	---	0.7706	---	1.7681
	0.6818		0.8294
1.1007	---	0.8181	---	1.1559
	0.3873		0.9675