通過往期的分享，我們了解到人臉識別的大概過程，主要包括：

1、人臉圖片的搜集（原始數(shù)據(jù)）

2、從圖片中識別到人臉

3、人臉數(shù)據(jù)提取

4、人臉數(shù)據(jù)保存

5、從圖片或者視頻中檢測到人臉

6、人臉數(shù)據(jù)提取

7、被識別的人臉與數(shù)據(jù)庫中的數(shù)據(jù)一一對比，識別出人臉

以上人臉識別過程，存在一定的問題，當(dāng)人臉原始數(shù)據(jù)比較大時，數(shù)據(jù)庫中必然存在比較多的人臉數(shù)據(jù)，當(dāng)進(jìn)行人臉識別時，被識別的人臉與數(shù)據(jù)庫中的數(shù)據(jù)對比時，必然會消耗大量的時間，對人臉實(shí)時識別的速度有較大的影響。受CNN卷積神經(jīng)網(wǎng)絡(luò)的啟發(fā)，我們使用神經(jīng)網(wǎng)絡(luò)來進(jìn)行人臉數(shù)據(jù)的訓(xùn)練，標(biāo)簽是人臉的名字，數(shù)據(jù)是人臉數(shù)據(jù)，使用神經(jīng)網(wǎng)絡(luò)對人臉數(shù)據(jù)進(jìn)行訓(xùn)練，這樣當(dāng)數(shù)據(jù)比較大時，神經(jīng)網(wǎng)絡(luò)識別速度與正確率就越高，大大提高人臉識別的速度與正確率，這樣人臉識別的過程便成為如下過程：

1、人臉圖片的搜集（原始數(shù)據(jù)）

2、從圖片中識別到人臉

3、人臉數(shù)據(jù)提取與保存

4、人臉數(shù)據(jù)與人臉標(biāo)簽的神經(jīng)網(wǎng)絡(luò)訓(xùn)練，保存訓(xùn)練模型

5、從圖片或者視頻中檢測到人臉

6、識別到的人臉進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)測，進(jìn)行人臉識別

本期介紹人臉數(shù)據(jù)的提取

1、人臉原始圖片的搜集

要進(jìn)行人臉識別，就要搜集用戶的人臉圖片，我們從網(wǎng)站上搜集了幾個明星的照片來進(jìn)行本期文章的分享。

首先在目錄文件下新建一個dataset文件夾，里面放置多個文件夾，每個文件夾便是一個明星的照片，文件夾名稱是明星的名字，目錄類似如下：

2、設(shè)置人臉檢測模型與人臉提取嵌入數(shù)據(jù)模型

人臉檢測模型，我們直接使用 ResNet-10和SSD算法在caffe上面訓(xùn)練好的模型

人臉數(shù)據(jù)提取嵌入模型，使用OpenFace的openface_nn4.small2.v1.t7模型，此模型訓(xùn)練在pytorch上，可以直接使用opencv來進(jìn)行加載

臉檢測模型與人臉提取嵌入數(shù)據(jù)模型

3、初始化圖片地址，初始化人臉數(shù)據(jù)數(shù)組與人臉名稱標(biāo)簽數(shù)組

初始化人臉數(shù)據(jù)

4、遍歷整個dataset目錄，進(jìn)行圖片處理

30行提取了文件夾的名稱，此名稱便是后期需要保存的label值

33-35行，進(jìn)行了圖片的讀取以及resize處理

38行計(jì)算圖片的blob值

43-44行，把圖片的blob值放入人臉檢測神經(jīng)網(wǎng)絡(luò)進(jìn)行人臉的檢測

47行，當(dāng)在圖片中檢測到 人臉時，其神經(jīng)網(wǎng)絡(luò)的len值會大于0

50行，當(dāng)檢測到人臉時，我們提取人臉的置信度

53行設(shè)計(jì)人臉置信度為0.5

55-59行，計(jì)算人臉在圖片中的位置，并提取人臉的尺寸

61-62行，當(dāng)人臉尺寸較小時 ，我們忽略此人臉信息，選擇圖片中人臉比較大的人臉

64行，當(dāng)人臉圖片尺寸符合要求時，我們計(jì)算人臉的blob值

67-68行，把人臉圖片的blob值傳遞人臉嵌入數(shù)據(jù)神經(jīng)網(wǎng)絡(luò)

71-72行，保存人臉的label與人臉數(shù)據(jù)到數(shù)組中

5、保存人臉數(shù)據(jù)

當(dāng)遍歷完成后，dataset中的所有的人臉數(shù)據(jù)便保存在了事先建立的數(shù)組中

77行，新建一個字典數(shù)據(jù)，把人臉的label以及人臉數(shù)據(jù)保存到本地，方便后期進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

以上5步便完成了整個人臉的數(shù)據(jù)采集，當(dāng)然，若想后期人臉識別的精度較高，需要進(jìn)行大量的人臉數(shù)據(jù)搜集。