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

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

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

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

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

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

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

https://github.com/spotify/annoy

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

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