ubuntu下学会facenet的使用教程（二）

如大家参考上篇博客完成了对facenet配置的话，那恭喜了，接下来我们开始上硬菜了，go！

facenet源码中实现的很多功能，如：图像裁剪对齐、对比、训练、测试模型精确度、训练svm分类器、人脸识别等等，下面我开始来意义介绍：

• 运行图像裁剪对齐程序(align\align_dataset_mtcnn.py)

       对下载好的lfw数据集下载后解压在data文件夹中，此外lfw同一目录下建立一个裁剪后的图像保存文件夹备用，这是因为程序中神经网络使用的是谷歌的“inception resnet v1”网络模型，这个模型的输入时160*160的图像，而我们下载的LFW数据集是250*250限像素的图像，所以需要进行图片的预处理。

      参数的修改：input_dir： /home/user/facenet/data/lfw     output_dir:/home/user/facenet/data/lfw_160  裁剪尺寸参数：--image_size 160 --margin 32 --random_order（如果不指定，默认的裁剪结果是182*182像素的）

终端输入：/home/user/facenet/data/lfw     output_dir:/home/user/facenet/data/lfw_160 --image_size 160 --margin 32 --random_order

• 运行人脸比对程序（compare.py）

对下载好的预训练模型放入compare.py同目录下，从lwf数据集中随意抽取两张图像进行测试。

参数修改：模型位置+图像，如：/home/user/facenet/src/20170512-110547 1.png 2.png

• 运行训练程序（train_tripletloss.py）

训练程序前首先打开.py文件，在input_dir出将数据集的路径给上，方便后期训练，如下图：

或者直接在终端出给出路径，如： sudo train_tripletloss.py /home/user/facenet/data/lfw_160

• 运行模型测试程序（validate_on_lfw.py）

参数设置：/home/user/facenet/data/lfw_160  /home/user/facenet/src/20180803-131712

这将执行以下四个操作： 
1）加载模型。 
2）加载和解析文本文件与图像对。 
3）计算所有图像（以及它们的水平翻转版本）在测试集中的向量。 
4）计算精度，验证率（@ FAR = -10e-3），曲线下面积（AUC）和等误差率（EER）等性能指标。

运行结果

Model directory: /home/user/facenet/src/20180803-131712/ Metagraph file: model-20180803-131712.meta Checkpoint file: model- model-20180803-131712.ckpt-275 Runnning forward pass on LFW images ........................ Accuracy: 0.9975+-0.00152 Validation rate: 0.98367+-0.00948 @ FAR=0.00100 Area Under Curve (AUC): 1.000 Equal Error Rate (EER): 0.003

 

如上述程序能完整跑下来，则实现了通过两照对比检测是不是同属于一个人，由于时间关系，下篇将介绍如何通过分类器实现真正意义上的人脸识别，持续更新中。

最后，附上原来的文件中各py文件的作用

一、主要函数

align/ ：用于人脸检测与人脸对齐的神经网络

facenet ：用于人脸映射的神经网络

util/plot_learning_curves.m:这是用来在训练softmax模型的时候用matlab显示训练过程的程序

 

二、facenet/contributed/相关函数：

1、基于mtcnn与facenet的人脸聚类

代码：facenet/contributed/cluster.py（facenet/contributed/clustering.py实现了相似的功能，只是没有mtcnn进行检测这一步）

主要功能：

① 使用mtcnn进行人脸检测并对齐与裁剪

② 对裁剪的人脸使用facenet进行embedding

③ 对embedding的特征向量使用欧式距离进行聚类

 

2、基于mtcnn与facenet的人脸识别（输入单张图片判断这人是谁）

代码：facenet/contributed/predict.py

主要功能：

① 使用mtcnn进行人脸检测并对齐与裁剪

② 对裁剪的人脸使用facenet进行embedding

③ 执行predict.py进行人脸识别（需要训练好的svm模型）

 

3、以numpy数组的形式输出人脸聚类和图像标签

代码：facenet/contributed/export_embeddings.py

主要功能：

① 需要对数据进行对齐与裁剪做为输入数据

② 输出embeddings.npy；labels.npy；label_strings.npy