国产xxxx99真实实拍_久久不雅视频_高清韩国a级特黄毛片_嗯老师别我我受不了了小说

資訊專欄INFORMATION COLUMN

cnn卷積神經網絡打造人臉登錄系統

jackwang / 837人閱讀

摘要:本文基于環境,采用為基礎來構建實時人臉檢測與識別系統,探索人臉識別系統在現實應用中的難點。對于人臉檢測方法,效果好于的方法,但是檢測力度也難以達到現場應用標準。本文中,我們采用了基于深度學習方法的人臉檢測系統。

git地址:https://github.com/chenlinzho...

本文主要介紹了系統涉及的人臉檢測與識別的詳細方法,該系統基于python2.7.10/opencv2/tensorflow1.7.0環境,實現了從攝像頭讀取視頻,檢測人臉,識別人臉的功能
由于模型文件過大,git無法上傳,整個項目放在百度云盤,地址:https://pan.baidu.com/s/1Taal...

人臉識別是計算機視覺研究領域的一個熱點。目前,在實驗室環境下,許多人臉識別已經趕上(超過)人工識別精度(準確率:0.9427~0.9920),比如face++,DeepID3,FaceNet等(詳情可以參考:基于深度學習的人臉識別技術綜述)。但是,由于光線,角度,表情,年齡等多種因素,導致人臉識別技術無法在現實生活中廣泛應用。本文基于python/opencv/tensorflow環境,采用FaceNet(LFW:0.9963 )為基礎來構建實時人臉檢測與識別系統,探索人臉識別系統在現實應用中的難點。下文主要內容如下 :

利用htm5 video標簽打開攝像頭采集頭像并使用jquery.faceDeaction組件來粗略檢測人臉

將人臉圖像上傳到服務器,采用mtcnn檢測人臉

利用opencv的仿射變換對人臉進行對齊,保存對齊后的人臉

采用預訓練的facenet對檢測的人臉進行embedding,embedding成512維度的特征;

對人臉embedding特征創建高效的annoy索引進行人臉檢測

人臉采集

采用html5 video標簽可以很方便的實現從攝像頭讀取視頻幀,下文代碼實現了從攝像頭讀取視頻幀,faceDection識別人臉后截取圖像上傳到服務器功能
在html文件中添加video,canvas標簽

打開網絡攝像頭

var video = document.getElementById("video"),
var vendorUrl = window.URL || window.webkitURL;
//媒體對象
navigator.getMedia = navigator.getUserMedia || navagator.webkitGetUserMedia || navigator.mozGetUserMedia || navigator.msGetUserMedia;
navigator.getMedia({video: true, //使用攝像頭對象audio: false  //不適用音頻}, function(strem){
    video.src = vendorUrl.createObjectURL(strem);
    video.play();
});

利用jquery的facetDection組件檢測人臉

$("#canvas").faceDetection()

檢測出人連臉的話截圖,并把圖片轉換為base64的格式,方便上傳

context.drawImage(video, 0, 0, video.width, video.height);
var base64 = canvas.toDataURL("images/png");

將base64格式的圖片上傳到服務器

//上傳人臉圖片
function upload(base64) {
  $.ajax({
      "type":"POST",
      "url":"/upload.php",
      "data":{"img":base64},
      "dataType":"json",
      beforeSend:function(){},
      success:function(result){
          console.log(result)
          img_path = result.data.file_path
      }
  });
}

圖片服務器接受代碼,php語言實現

function base64_image_content($base64_image_content,$path){
    //匹配出圖片的格式
    if (preg_match("/^(data:s*image/(w+);base64,)/", $base64_image_content, $result)){
        $type = $result[2];
        $new_file = $path."/";
        if(!file_exists($new_file)){
            //檢查是否有該文件夾,如果沒有就創建,并給予最高權限
            mkdir($new_file, 0700,true);
        }
        $new_file = $new_file.time().".{$type}";
        if (file_put_contents($new_file, base64_decode(str_replace($result[1], "", $base64_image_content)))){
            return $new_file;
        }else{
            return false;
        }
    }else{
        return false;
    }
}
人臉檢測

人臉檢測方法有許多,比如opencv自帶的人臉Haar特征分類器和dlib人臉檢測方法等。
對于opencv的人臉檢測方法,有點是簡單,快速;存在的問題是人臉檢測效果不好。正面/垂直/光線較好的人臉,該方法可以檢測出來,而側面/歪斜/光線不好的人臉,無法檢測。因此,該方法不適合現場應用。對于dlib人臉檢測方法 ,效果好于opencv的方法,但是檢測力度也難以達到現場應用標準。
本文中,我們采用了基于深度學習方法的mtcnn人臉檢測系統(mtcnn:Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Neural Networks)。mtcnn人臉檢測方法對自然環境中光線,角度和人臉表情變化更具有魯棒性,人臉檢測效果更好;同時,內存消耗不大,可以實現實時人臉檢測。本文中采用mtcnn是基于python和tensorflow的實現(代碼來自于davidsandberg,caffe實現代碼參見:kpzhang93)

model= os.path.abspath(face_comm.get_conf("mtcnn","model"))
class Detect:
    def __init__(self):
        self.detector = MtcnnDetector(model_folder=model, ctx=mx.cpu(0), num_worker=4, accurate_landmark=False)
    def detect_face(self,image):
        img = cv2.imread(image)
        results =self.detector.detect_face(img)
        boxes=[]
        key_points = []
        if results is not None:  
            #box框
            boxes=results[0]
            #人臉5個關鍵點
            points = results[1]
            for i in results[0]:
                faceKeyPoint = []
                for p in points:
                    for i in range(5):
                        faceKeyPoint.append([p[i], p[i + 5]])
                key_points.append(faceKeyPoint)
        return {"boxes":boxes,"face_key_point":key_points}

具體代碼參考fcce_detect.py

人臉對齊

有時候我們截取的人臉了頭像可能是歪的,為了提升檢測的質量,需要把人臉校正到同一個標準位置,這個位置是我們定義的,假設我們設定的標準檢測頭像是這樣的

假設眼睛,鼻子三個點的坐標分別是a(10,30) b(20,30) c(15,45),具體設置可參看config.ini文件alignment塊配置項

采用opencv仿射變換進行對齊,獲取仿射變換矩陣

dst_point=【a,b,c】
tranform = cv2.getAffineTransform(source_point, dst_point)

仿射變換:

img_new = cv2.warpAffine(img, tranform, imagesize)

具體代碼參考face_alignment.py文件

產生特征

對齊得到后的頭像,放入采用預訓練的facenet對檢測的人臉進行embedding,embedding成512維度的特征,以(id,vector)的形式保存在lmdb文件中

 facenet.load_model(facenet_model_checkpoint)
 images_placeholder = tf.get_default_graph().get_tensor_by_name("input:0")
 embeddings = tf.get_default_graph().get_tensor_by_name("embeddings:0")
 phase_train_placeholder = tf.get_default_graph().get_tensor_by_name("phase_train:0")

 face=self.dectection.find_faces(image)
 prewhiten_face = facenet.prewhiten(face.image)
 # Run forward pass to calculate embeddings
 feed_dict = {images_placeholder: [prewhiten_face], phase_train_placeholder: False}
 return self.sess.run(embeddings, feed_dict=feed_dict)[0]

具體代碼可參看face_encoder.py

人臉特征索引:

人臉識別的時候不能對每一個人臉都進行比較,太慢了,相同的人得到的特征索引都是比較類似,可以采用KNN分類算法去識別,這里采用是更高效annoy算法對人臉特征創建索引,annoy索引算法的有個假設就是,每個人臉特征可以看做是在高維空間的一個點,如果兩個很接近(相識),任何超平面
都無法把他們分開,也就是說如果空間的點很接近,用超平面去分隔,相似的點一定會分在同一個平面空間(具體參看:https://github.com/spotify/annoy)

#人臉特征先存儲在lmdb文件中格式(id,vector),所以這里從lmdb文件中加載
lmdb_file = self.lmdb_file
if os.path.isdir(lmdb_file):
    evn = lmdb.open(lmdb_file)
    wfp = evn.begin()
    annoy = AnnoyIndex(self.f)
    for key, value in wfp.cursor():
        key = int(key)
        value = face_comm.str_to_embed(value)
        annoy.add_item(key,value)

    annoy.build(self.num_trees)
    annoy.save(self.annoy_index_path)

具體代碼可參看face_annoy.py

人臉識別

經過上面三個步驟后,得到人臉特征,在索引中查詢最近幾個點并就按歐式距離,如果距離小于0.6(更據實際情況設置的閾值)則認為是同一個人,然后根據id在數據庫查找到對應人的信息即可

#根據人臉特征找到相似的
def query_vector(self,face_vector):
    n=int(face_comm.get_conf("annoy","num_nn_nearst"))
    return self.annoy.get_nns_by_vector(face_vector,n,include_distances=True)

具體代碼可參看face_annoy.py

安裝部署

系統采用有兩個模塊組成:

face_web:提供用戶注冊登錄,人臉采集,php語言實現

face_server: 提供人臉檢測,裁剪,對齊,識別功能,python語言實現

模塊間采用socket方式通信通信格式為: length+content

face_server相關的配置在config.ini文件中

1.使用鏡像

face_serverdocker鏡像: shareclz/python2.7.10-face-image

face_web鏡像: skiychan/nginx-php7

假設項目路徑為/data1/face-login

2.安裝face_server容器

docker run -it --name=face_server --net=host  -v /data1:/data1  shareclz/python2.7.10-face-image /bin/bash
cd /data1/face-login
python face_server.py

3.安裝face_web容器

docker run -it --name=face_web --net=host  -v /data1:/data1  skiychan/nginx-php7 /bin/bash
cd /data1/face-login;
php -S 0.0.0.0:9988 -t ./web/ 

最終效果:

face_server加載mtcnn模型和facenet模型后等待人臉請求

未注冊識別失敗

人臉注冊

注冊后登錄成功

參考

https://zhuanlan.zhihu.com/p/...

https://github.com/spotify/annoy

https://blog.csdn.net/just_so...

https://blog.csdn.net/oTengYu...

文章版權歸作者所有,未經允許請勿轉載,若此文章存在違規行為,您可以聯系管理員刪除。

轉載請注明本文地址:http://specialneedsforspecialkids.com/yun/27626.html

相關文章

  • cnn卷積神經網絡打造人臉登錄系統

    摘要:本文基于環境,采用為基礎來構建實時人臉檢測與識別系統,探索人臉識別系統在現實應用中的難點。對于人臉檢測方法,效果好于的方法,但是檢測力度也難以達到現場應用標準。本文中,我們采用了基于深度學習方法的人臉檢測系統。 git地址:https://github.com/chenlinzho... 本文主要介紹了系統涉及的人臉檢測與識別的詳細方法,該系統基于python2.7.10/opencv...

    KavenFan 評論0 收藏0
  • 極驗驗證:淺析深度學習模型與應用

    摘要:一時之間,深度學習備受追捧。百度等等公司紛紛開始大量的投入深度學習的應用研究。極驗驗證就是將深度學習應用于網絡安全防御,通過深度學習建模學習人類與機器的行為特征,來區別人與機器,防止惡意程序對網站進行垃圾注冊,撞庫登錄等。 2006年Geoffery ?Hinton提出了深度學習(多層神經網絡),并在2012年的ImageNet競賽中有非凡的表現,以15.3%的Top-5錯誤率奪魁,比利用傳...

    王巖威 評論0 收藏0
  • 比人眼更精準,詳解云識客雙目活體檢測技術

    摘要:雙活體,依然是前最可靠的防攻擊段之。詳解云識客活體檢測技術以下,我們分析一種多重人臉區域共享的深度學習算法。光流法輔助單目活體判斷最后,針對單目活體,云識客也采用光流法輔助活體判斷的校驗機制。 以下這張照?,是真?實拍還是對著照?翻拍的? showImg(https://segmentfault.com/img/bVbuoHD); 如果告訴你,這張照?,是對著照?翻拍的照?,你會不會驚...

    whidy 評論0 收藏0
  • 從RCNN到SSD,這應該是最全的一份目標檢測算法盤點

    摘要:基于候選區域的目標檢測器滑動窗口檢測器自從獲得挑戰賽冠軍后,用進行分類成為主流。一種用于目標檢測的暴力方法是從左到右從上到下滑動窗口,利用分類識別目標。這些錨點是精心挑選的,因此它們是多樣的,且覆蓋具有不同比例和寬高比的現實目標。 目標檢測是很多計算機視覺任務的基礎,不論我們需要實現圖像與文字的交互還是需要識別精細類別,它都提供了可靠的信息。本文對目標檢測進行了整體回顧,第一部分從RCNN...

    jayzou 評論0 收藏0

發表評論

0條評論

最新活動
閱讀需要支付1元查看
<