Python超详细实时人脸活物识别基于TensorFlow_CNN(卷积神经网络)

活物识别在生活中有广泛应用，设想如果一个人拿着你的照片去刷脸支付，是不是你钱包就要空了。在生活中，有多种方法进行活物（活体）识别，比如动作指令活体检测（让你眨眼睛等）。这里我们是用CNN（卷积神经网络）来对图片进行分析来识别是否为真人。
最终效果:

首先，我们将我们的项目大致分成三步：
1. 产生训练集
2. 训练模型
3. 验证数据

1. 产生训练集
我们知道，视频是由每一帧组成的，换句话说就是由很多张图片组成的。因此我们如果想要产生训练集，首先要将人脸逐帧截图，分别产生真实（Real）和非真实（Fake）的数据集，具体方法如下：
我们先看一下两段视频

一段是手机自拍（Real），另一段是拿另一个手机录屏（Fake），然后我们导入这两个视频然后逐帧截取人脸。此时，我们需要 face_recognition的功能来识别人脸的具体位置。由于本文章是专注于活物识别的，面部识别就直接使用别人的封包了，具体代码如下：

import cv2
import os
import numpy as np
import face_recognition
from PIL import Image


inputpath_real='video/real.mp4'
inputpath_fake='video/fake.mp4'
outputpath_real='train/real/'
outputpath_fake='train/fake/'

'''
inputpathtest_real='video/real_test.mp4'
inputpathtest_fake='video/fake_test.mp4'
outputpathtest_real='train/real_test/'
outputpathtest_fake='train/fake_test/'
'''

def cut_img (inputpath,outputpath,type,width,height):
    vs = cv2.VideoCapture(inputpath)
    read = 0
    while True:
        (grabbed, frame) = vs.read()
        if not grabbed:
            print('This frame is not grabbed')
            break
        read +=1

        rgb_frame = frame[:, :, ::-1]
        face_locations = face_recognition.face_locations(rgb_frame)

        for face_location in face_locations:
            top, right, bottom, left = face_location
            cropped= frame [top:bottom, left:right]
            img_name=outputpath+'%s_%d.png' %(type,read)
            cv2.imwrite(img_name, cropped,[int(cv2.IMWRITE_PNG_COMPRESSION), 9] )
            img = Image.open(img_name)
            new_image = img.resize((width, height), Image.BILINEAR) #Resize to 50*50
            new_image.save(os.path.join(outputpath, os.path.basename(img_name)))

if __name__ == '__main__':
    cut_img(inputpath_real,outputpath_real,'real',50,50)
    cut_img(inputpath_fake,outputpath_fake,'fake',50,50)
    '''
    cut_img(inputpathtest_real, outputpathtest_real, 'real_test', 50, 50)
    cut_img(inputpathtest_fake, outputpathtest_fake, 'fake_test', 50, 50)
    '''

被注释起来的部分是用来产生测试数据的，有兴趣的可以再录两段测试视频（共四段）。代码很简单，我就不解释了，最后会产生如下效果：

这里，所有的图片（约400张）都被resize到50*50，方便导入CNN。这样我们的训练集就产生了。
2. 训练模型
下面就是我们的重头戏，训练模型了。 我们使用TensorFlow的CNN来构件我们的神经网络：
我们先看一下我们的文件路径等设置：

import os
from PIL import Image
import numpy as np
import tensorflow as tf
import face_recognition
import cv2

#文件路径设置（address）
data_dir_real='train/real/'
data_dir_fake='train/fake/'
test='video/test.mp4'
output_test='train/test_output/' 
model_path='train/' # CNN model save address
train= Ture # Ture: Training mode ，False: Validation mode

当train=True是为训练模式，False为验证模式。 data_dir_real和data_dir_fake为之前产生图片的地址，test是用来验证模型的视频路径，output_test则是验证视频产生的人脸图片的路径。

首先第一步读取数据：

def read_data(data_dir_real,data_dir_fake):
    datas = []
    labels = []
    fpaths = []
    # Read data of real
    for fname in os.listdir(data_dir_real):
        fpath = os.path.join(data_dir_real, fname) # Record image name and address
        fpaths.append(fpath)
        image = Image.open(fpath) # Open image
        data = np.array(image) / 255.0 # 归一化(Normalization)
        datas.append(data)
        labels.append(0) # Take real as 0
    # Read data of fake
    for fname in os.listdir(data_dir_fake):
        fpath = os.path.join(data_dir_fake, fname)
        fpaths.append(fpath)
        image = Image.open(fpath)
        data = np.array(image) / 255.0 # 归一化(Normalization)
        datas.append(data)
        labels.append(1) # Take fake as 1

    datas = np.array(datas)
    labels = np.array(labels)

    return fpaths, datas,labels
fpaths, datas,labels =