通用方法:几种人脸识别算法的原理概念及其代码特征
优采云 发布时间: 2022-10-17 00:10通用方法:几种人脸识别算法的原理概念及其代码特征
1 简介
随着面向对象编程语言的发展，掌握一门新的编程应用技术基本上有两个要求：
可以理解大体原理：这可以帮助我们组织/修改/加入现有的代码块
能够识别核心代码：这可以帮助我们调试代码性能以满足我们的需求
因此，本文以“关键原理和概念”vs.“核心代码块的特征”的形式总结了几种人脸识别算法，以供回顾、改进和交流学习。
需要注意的是：
本文的主要内容是网络资源的有序排列。带下划线的文本有链接。
我会在编程表达式上不准确和不专业，希望您能从中得到一点启发和便利。
本文所有代码均来自网络，主要来自seathiefwang；康尼波；aymericdamien，其知识产权和附带的合法权利属于原作者。
另外，在深度学习上，这种辩证的 文章 很有启发性。
2.主要内容 2.1. 源码介绍及链接
2.2. 基于线性回归的机器学习最简单的例子
2.3 基于欧式距离的人脸识别
2.4 Tensorflow组织的卷积神经网络架构
2.5 完整的代码和特征代码块 2.1。源代码介绍及链接
后面会有很多废话，先上源码。都经过我测试，可以按照如下配置运行：Win10 + Python 3.6 + Tensorflow 2.0，其他库按照pip默认版本安装即可。
代码兼容性问题很大一部分来自于不同版本的 Tensorflow。对于基于Tensorflow 1.x编写的代码，我修改参考如下，使其在Tensorflow 2.0下运行。
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
（1）基于线性回归的机器学习最简单的例子：源码；备份我的修改
数据集是自定义数组；
简要展示了机器学习的训练和性能评估环节。
#python迭代过程
step: 50, loss: 0.001438, W: 0.981427, b: 0.116864
step: 100, loss: 0.001171, W: 0.983242, b: 0.105449
step: 150, loss: 0.000953, W: 0.984879, b: 0.095148
step: 200, loss: 0.000776, W: 0.986356, b: 0.085853
step: 250, loss: 0.000632, W: 0.987689, b: 0.077467
step: 300, loss: 0.000514, W: 0.988891, b: 0.069899
step: 350, loss: 0.000419, W: 0.989976, b: 0.063071
step: 400, loss: 0.000341, W: 0.990956, b: 0.056910
step: 450, loss: 0.000278, W: 0.991839, b: 0.051351
step: 500, loss: 0.000226, W: 0.992636, b: 0.046334
step: 550, loss: 0.000184, W: 0.993356, b: 0.041808
step: 600, loss: 0.000150, W: 0.994005, b: 0.037724
step: 650, loss: 0.000122, W: 0.994590, b: 0.034039
step: 700, loss: 0.000099, W: 0.995119, b: 0.030714
step: 750, loss: 0.000081, W: 0.995596, b: 0.027714
step: 800, loss: 0.000066, W: 0.996026, b: 0.025006
step: 850, loss: 0.000054, W: 0.996414, b: 0.022564
step: 900, loss: 0.000044, W: 0.996764, b: 0.020360
step: 950, loss: 0.000036, W: 0.997080, b: 0.018371
step: 1000, loss: 0.000029, W: 0.997366, b: 0.016576
训练好的回归曲线，系数a为0.997366，截距b为0.016576
（2）基于欧式距离算法的人脸识别：源码；我的备份
强烈推荐这段代码，很用心；
写的很好，最近才上传，所以代码版本没有问题；
基本功能：*敏*感*词*采集图片采集，然后通过*敏*感*词*识别人脸。
技术路线图
（3）基于Tensorflow库的人脸识别神经网络：源码；备份我的修改。
作者把基于Tensorflow的神经网络架构写的非常简洁明了，难得的神经网络代码；
是 2017 年的代码，Tensorflow 版本 1.15.0；
人脸识别的准确性还有待确认，但这不是学习这段代码的重点；
基本功能：*敏*感*词*采集图片采集，然后通过*敏*感*词*识别人脸。2.2. 基于线性回归的卷积神经网络
机器学习这个话题下有一堆算法概念，让人眼花缭乱。这是一篇很好的文章 文章，与互联网上的中文资源相比，它全面而简单地列出了重要概念。链接地址。
模式识别的本质是分类，单变量线性回归是分类方法之一。形象地说，线性回归算法就是找到最大程度、最大概率区分不同类别的最佳直线。
在模式识别算法中，线性回归方程中的 (x) 及其系数 (a, b) 稍微复杂一些。
例如，自变量 (x) 定义了一个人脸，但它被设置为 128 个元素的一维数组。实际意义是：用128个正交坐标来定义所有的面，所以一个面是一个128维的向量空间中的一个点，所有面的集合都收录在这个向量空间中。
所以我觉得系数(a,b)自然应该是多维数组，用来在128维向量空间中划分不同的人脸子群。我想以这样一种方式来理解它们，因为数组可以收录大量信息，它们可以精确地区分面孔。因此，解决它们需要大量的数据来不断逼近最优和最现实的系数（a，b）。
戴上猫脸一会儿...
该求解过程采用迭代方法，定义迭代的 3 个参数控制回归算法的性能，即：
学习率 = 0.01
训练步数 = 1000
显示步长 = 50
并且回归曲线的性能在每次迭代中通过2个参数连续评估，即
失利
准确性
在我看来，CNN 是一种泛化数据的策略和方法。在每一轮迭代中，不断压缩归纳样本的N维数组（取最大值或平均值），最终得到一个具有显着区分能力的一维数组：图像原理。教科书般的专家评论。
CNN的调试和优化主要涉及几个概念：
Sigmoid函数、Softmax函数、ReLU函数（Rectified Linear Unit，ReLU）；
CNN的基本配置：卷积层、Relu层、池化层；
Tensorboard 工具：可视化神经网络性能变量，例如损失和准确性。
2.3. 基于欧式距离的人脸识别
以下是图片和文字。
2.4. TensorFlow 组织的卷积神经网络架构
同上，先看这里。
2.5. 完整的代码和功能代码块
（1）基于线性回归的机器学习最简单的例子
# Parameters.
learning_rate = 0.01
training_steps = 1000
display_step = 50
# Weight and Bias, initialized randomly.
W = tf.Variable(rng.randn(), name="weight")
b = tf.Variable(rng.randn(), name="bias")
# Linear regression (Wx + b).
def linear_regression(x):
return W * x + b
# Run the optimization to update W and b values.
run_optimization()
if step % display_step == 0:
pred = linear_regression(X)
loss = mean_square(pred, Y)
print("step: %i, loss: %f, W: %f, b: %f" % (step, loss, W.numpy(), b.numpy()))
from __future__ import absolute_import, division, print_function
import tensorflow as tf
import numpy as np
rng = np.random
# Parameters.
learning_rate = 0.01
training_steps = 1000
display_step = 50
# Training Data.
X = np.array([1,2,3,4,5,6,7,8,9])
Y = np.array([1,2,3,4,5,6,7,8,9])
n_samples = X.shape[0]
# Weight and Bias, initialized randomly.
W = tf.Variable(rng.randn(), name="weight")
b = tf.Variable(rng.randn(), name="bias")
# Linear regression (Wx + b).
def linear_regression(x):
return W * x + b
# Mean square error.
def mean_square(y_pred, y_true):
return tf.reduce_sum(tf.pow(y_pred-y_true, 2)) / (2 * n_samples)
# Stochastic Gradient Descent Optimizer.
optimizer = tf.optimizers.SGD(learning_rate)
# Optimization process.
def run_optimization():
# Wrap computation inside a GradientTape for automatic differentiation.
with tf.GradientTape() as g:
pred = linear_regression(X)
loss = mean_square(pred, Y)
# Compute gradients.
gradients = g.gradient(loss, [W, b])
# Update W and b following gradients.
optimizer.apply_gradients(zip(gradients, [W, b]))
# Run training for the given number of steps.
for step in range(1, training_steps + 1):
# Run the optimization to update W and b values.
run_optimization()
if step % display_step == 0:
pred = linear_regression(X)
loss = mean_square(pred, Y)
print("step: %i, loss: %f, W: %f, b: %f" % (step, loss, W.numpy(), b.numpy()))
import matplotlib.pyplot as plt
# Graphic display
plt.plot(X, Y, 'ro', label='Original data')
plt.plot(X, np.array(W * X + b), label='Fitted line')
plt.legend()
plt.show()
(2) 基于欧式距离的人脸识别
# 计算两个128D向量间的欧式距离
# Compute the e-distance between two 128D features
def return_euclidean_distance(feature_1, feature_2):
feature_1 = np.array(feature_1)
feature_2 = np.array(feature_2)
dist = np.sqrt(np.sum(np.square(feature_1 - feature_2)))
return dist
# Author: coneypo
# Blog: http://www.cnblogs.com/AdaminXie
# GitHub: https://github.com/coneypo/Dlib_face_recognition_from_camera
# Created at 2018-05-11
# Updated at 2019-04-09
import dlib # 人脸处理的库 Dlib
import numpy as np # 数据处理的库 numpy
import cv2 # 图像处理的库 OpenCv
import pandas as pd # 数据处理的库 Pandas
<p>
import os
# 人脸识别模型，提取128D的特征矢量
# face recognition model, the object maps human faces into 128D vectors
# Refer this tutorial: http://dlib.net/python/index.html#dlib.face_recognition_model_v1
facerec = dlib.face_recognition_model_v1("data/data_dlib/dlib_face_recognition_resnet_model_v1.dat")
# 计算两个128D向量间的欧式距离
# Compute the e-distance between two 128D features
def return_euclidean_distance(feature_1, feature_2):
feature_1 = np.array(feature_1)
feature_2 = np.array(feature_2)
dist = np.sqrt(np.sum(np.square(feature_1 - feature_2)))
return dist
# 1. Check 存放所有人脸特征的 csv
if os.path.exists("data/features_all.csv"):
path_features_known_csv = "data/features_all.csv"
csv_rd = pd.read_csv(path_features_known_csv, header=None)
# 用来存放所有录入人脸特征的数组
# The array to save the features of faces in the database
features_known_arr = []
# 2. 读取已知人脸数据
# Print known faces
for i in range(csv_rd.shape[0]):
features_someone_arr = []
for j in range(0, len(csv_rd.ix[i, :])):
features_someone_arr.append(csv_rd.ix[i, :][j])
features_known_arr.append(features_someone_arr)
print("Faces in Database：", len(features_known_arr))
# Dlib 检测器和预测器
# The detector and predictor will be used
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor('data/data_dlib/shape_predictor_68_face_landmarks.dat')
# 创建 cv2 *敏*感*词*对象
cap = cv2.VideoCapture(0)
# 3. When the camera is open
while cap.isOpened():
flag, img_rd = cap.read()
img_gray = cv2.cvtColor(img_rd, cv2.COLOR_RGB2GRAY)
faces = detector(img_gray, 0)
# 待会要写的字体 font to write later
font = cv2.FONT_ITALIC
# 存储当前*敏*感*词*中捕获到的所有人脸的坐标/名字
# The list to save the positions and names of current faces captured
pos_namelist = []
name_namelist = []
kk = cv2.waitKey(1)
# 按下 q 键退出
# press 'q' to exit
if kk == ord('q'):
break
else:
# 检测到人脸 when face detected
if len(faces) != 0:
# 4. 获取当前捕获到的图像的所有人脸的特征，存储到 features_cap_arr
# 4. Get the features captured and save into features_cap_arr
features_cap_arr = []
for i in range(len(faces)):
shape = predictor(img_rd, faces[i])
features_cap_arr.append(facerec.compute_face_descriptor(img_rd, shape))
# 5. 遍历捕获到的图像中所有的人脸
# 5. Traversal all the faces in the database
for k in range(len(faces)):
print("##### camera person", k+1, "#####")
# 让人名跟随在矩形框的下方
# 确定人名的位置坐标
# 先默认所有人不认识，是 unknown
# Set the default names of faces with "unknown"
name_namelist.append("unknown")
# 每个捕获人脸的名字坐标 the positions of faces captured
pos_namelist.append(tuple([faces[k].left(), int(faces[k].bottom() + (faces[k].bottom() - faces[k].top())/4)]))
# 对于某张人脸，遍历所有存储的人脸特征
# For every faces detected, compare the faces in the database
e_distance_list = []
for i in range(len(features_known_arr)):
# 如果 person_X 数据不为空
if str(features_known_arr[i][0]) != '0.0':
print("with person", str(i + 1), "the e distance: ", end='')
e_distance_tmp = return_euclidean_distance(features_cap_arr[k], features_known_arr[i])
print(e_distance_tmp)
e_distance_list.append(e_distance_tmp)
else:
# 空数据 person_X
e_distance_list.append(999999999)
# Find the one with minimum e distance
similar_person_num = e_distance_list.index(min(e_distance_list))
print("Minimum e distance with person", int(similar_person_num)+1)
if min(e_distance_list)
