python：卷积网络实现人脸识别，dlib （也可以用openCV）

数据下载链接人脸识别数据集_免费高速下载|百度网盘-分享无限制

数据集：总共数据集由两部分组成：他人脸图片集及我自己的部分图片
自己图片目录：face_recog/my_faces
他人图片目录：face_recog/other_faces
我的测试图片目录：face_recog/test_faces

获取数据后，第一件事就对对图片进行处理，即人脸识别，把人脸的范围确定下来，人脸识别有很多方法，这里使用的是 dlib 来识别人脸部分，当然也可以使用 opencv 来识别人脸，在实际使用过程中，dlib 的识别效果比 opencv 的好一些。
识别处理后的图片存放路径为：my_faces(存放预处理我的图片,里面还复制一些图片），other_faces（存放预处理别人图片）

这里使用卷积神经网络来建立模型，用了 3 个卷积层（采用了池化、dropout 等技术），一个全连接层，分类层、输出层。

import sys
import os
import cv2
import dlib
import matplotlib
import time
start=time.time()

# 1.定义输入、输出目录，文件解压到当前目录,my_faces目录下，output_dir_myself 为检测以后我的的头像
input_dir_myself = 'face_recog/my_faces'
output_dir_myself = 'my_faces'
size = 64*# 2.判断输出目录是否存在，不存在，则创建
if not os.path.exists(output_dir_myself):os.makedirs(output_dir_myself)# 3.利用 dlib 的人脸特征提取器，使用 dlib 自带的 frontal_face_detector 作为我们的特征提取器
detector = dlib.get_frontal_face_detector()

# 接下来使用 dlib 来批量识别图片中的人脸部分，并对原图像进行预处理，并保存到指定目录下。
#1.预处理我的头像
index = 1
for (path, dirnames, filenames) in os.walk(input_dir_myself):for filename in filenames:if filename.endswith('.jpg'):print('Being processed picture %s' % index)img_path = path+'/'+filename# 从文件读取图片img = cv2.imread(img_path)# 转为灰度图片gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 使用 detector 进行人脸检测 dets 为返回的结果dets = detector(gray_img, 1)#使用 enumerate 函数遍历序列中的元素以及它们的下标#下标 i 即为人脸序号#left：人脸左边距离图片左边界的距离 ；right：人脸右边距离图片左边界的距离#top：人脸上边距离图片上边界的距离 ；bottom：人脸下边距离图片上边界的距离for i, d in enumerate(dets):x1 = d.top() if d.top() > 0 else 0y1 = d.bottom() if d.bottom() > 0 else 0x2 = d.left() if d.left() > 0 else 0y2 = d.right() if d.right() > 0 else 0# img[y:y+h,x:x+w]face = img[x1:y1,x2:y2]# 调整图片的尺寸face = cv2.resize(face, (size,size))cv2.imshow('image',face)# 保存图片cv2.imwrite(output_dir_myself + '/' + str(index) + '.jpg', face)index += 1# 不断刷新图像，频率时间为 30mskey = cv2.waitKey(30) & 0xffif key == 27:sys.exit(0)# 2.用同样方法预处理别人的头像（我只选用别人部分头像）
# 定义输入、输出目录，文件解压到当前目录,other_faces目录下
input_dir_other = 'face_recog/other_faces'
output_dir_other = 'other_faces'
size = 64
# 判断输出目录是否存在，不存在，则创建
if not os.path.exists(output_dir_other):os.makedirs(output_dir_other)
#使用 dlib 自带的 frontal_face_detector 作为我们的特征提取器
detector = dlib.get_frontal_face_detector()
# 预处理别人的头像
index = 1
for (path, dirnames, filenames) in os.walk(input_dir_other):for filename in filenames:if filename.endswith('.jpg'):print('Being processed picture %s' % index)img_path = path+'/'+filename# 从文件读取图片img = cv2.imread(img_path)# 转为灰度图片gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 使用 detector 进行人脸检测 dets 为返回的结果dets = detector(gray_img, 1)#使用 enumerate 函数遍历序列中的元素以及它们的下标#下标 i 即为人脸序号#left：人脸左边距离图片左边界的距离 ；right：人脸右边距离图片左边界的距离#top：人脸上边距离图片上边界的距离 ；bottom：人脸下边距离图片上边界的距离for i, d in enumerate(dets):x1 = d.top() if d.top() > 0 else 0y1 = d.bottom() if d.bottom() > 0 else 0x2 = d.left() if d.left() > 0 else 0y2 = d.right() if d.right() > 0 else 0# img[y:y+h,x:x+w]face = img[x1:y1,x2:y2]# 调整图片的尺寸face = cv2.resize(face, (size,size))cv2.imshow('image',face)# 保存图片cv2.imwrite(output_dir_other + '/' + str(index) + '.jpg', face)index += 1# 不断刷新图像，频率时间为 30mskey = cv2.waitKey(30) & 0xffif key == 27:sys.exit(0)

import tensorflow as tf
import cv2
import numpy as np
import os
import random
import sys
from sklearn.model_selection import train_test_split

my_faces_path = 'my_faces'
other_faces_path = 'other_faces'
size = 64

imgs = []
labs = []
#重新创建图形变量
tf.reset_default_graph()
#获取需要填充图片的大小
def getPaddingSize(img):h, w, _ = img.shapetop, bottom, left, right = (0, 0, 0, 0)longest = max(h, w)if w < longest:tmp = longest - w# //表示整除符号left = tmp // 2right = tmp - leftelif h < longest:tmp = longest - htop = tmp // 2bottom = tmp - topelse:passreturn top, bottom, left, right

def readData(path , h=size, w=size):for filename in os.listdir(path):if filename.endswith('.jpg'):filename = path + '/' + filenameimg = cv2.imread(filename)top,bottom,left,right = getPaddingSize(img)# 将图片放大， 扩充图片边缘部分img = cv2.copyMakeBorder(img, top, bottom, left, right,cv2.BORDER_CONSTANT, value=[0,0,0])img = cv2.resize(img, (h, w))imgs.append(img)labs.append(path)
readData(my_faces_path)
readData(other_faces_path)
# 将图片数据与标签转换成数组
imgs = np.array(imgs)
labs = np.array([[0,1] if lab == my_faces_path else [1,0] for lab in labs])
# 随机划分测试集与训练集
train_x,test_x,train_y,test_y = train_test_split(imgs, labs, test_size=0.05,
random_state=random.randint(0,100))
# 参数：图片数据的总数，图片的高、宽、通道
train_x = train_x.reshape(train_x.shape[0], size, size, 3)
test_x = test_x.reshape(test_x.shape[0], size, size, 3)
# 将数据转换成小于 1 的数
train_x = train_x.astype('float32')/255.0
test_x = test_x.astype('float32')/255.0
print('train size:%s, test size:%s' % (len(train_x), len(test_x)))
# 图片块，每次取 100 张图片
batch_size = 20
num_batch = len(train_x) // batch_size

x = tf.placeholder(tf.float32, [None, size, size, 3])
y_ = tf.placeholder(tf.float32, [None, 2])
keep_prob_5 = tf.placeholder(tf.float32)
keep_prob_75 = tf.placeholder(tf.float32)
def weightVariable(shape):init = tf.random_normal(shape, stddev=0.01)return tf.Variable(init)
def biasVariable(shape):init = tf.random_normal(shape)return tf.Variable(init)
def conv2d(x, W):return tf.nn.conv2d(x, W, strides=[1,1,1,1], padding='SAME')
def maxPool(x):return tf.nn.max_pool(x, ksize=[1,2,2,1], strides=[1,2,2,1], padding='SAME')
def dropout(x, keep):return tf.nn.dropout(x, keep)

def cnnLayer():# 第一层W1 = weightVariable([3, 3, 3, 32])  # 卷积核大小(3,3)， 输入通道(3)， 输出通道(32)b1 = biasVariable([32])# 卷积conv1 = tf.nn.relu(conv2d(x, W1) + b1)# 池化pool1 = maxPool(conv1)# 减少过拟合，随机让某些权重不更新drop1 = dropout(pool1, keep_prob_5)# 第二层W2 = weightVariable([3, 3, 32, 64])b2 = biasVariable([64])conv2 = tf.nn.relu(conv2d(drop1, W2) + b2)pool2 = maxPool(conv2)drop2 = dropout(pool2, keep_prob_5)# 第三层W3 = weightVariable([3, 3, 64, 64])b3 = biasVariable([64])conv3 = tf.nn.relu(conv2d(drop2, W3) + b3)pool3 = maxPool(conv3)drop3 = dropout(pool3, keep_prob_5)# 全连接层Wf = weightVariable([8 * 16 * 32, 512])bf = biasVariable([512])drop3_flat = tf.reshape(drop3, [-1, 8 * 16 * 32])dense = tf.nn.relu(tf.matmul(drop3_flat, Wf) + bf)dropf = dropout(dense, keep_prob_75)# 输出层Wout = weightVariable([512, 2])bout = weightVariable([2])# out = tf.matmul(dropf, Wout) + boutout = tf.add(tf.matmul(dropf, Wout), bout)return out

def cnnTrain():out = cnnLayer()cross_entropy =tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=out, labels=y_))train_step = tf.train.AdamOptimizer(0.01).minimize(cross_entropy)# 比较标签是否相等，再求的所有数的平均值，tf.cast(强制转换类型)accuracy = tf.reduce_mean(tf.cast(tf.equal(tf.argmax(out, 1), tf.argmax(y_,1)), tf.float32))# 将 loss 与 accuracy 保存以供 tensorboard 使用tf.summary.scalar('loss', cross_entropy)tf.summary.scalar('accuracy', accuracy)merged_summary_op = tf.summary.merge_all()# 数据保存器的初始化saver = tf.train.Saver()with tf.Session() as sess:sess.run(tf.global_variables_initializer())summary_writer = tf.summary.FileWriter('./tmp',graph=tf.get_default_graph())for n in range(10):# 每次取 128(batch_size)张图片for i in range(num_batch):batch_x = train_x[i * batch_size: (i + 1) * batch_size]batch_y = train_y[i * batch_size: (i + 1) * batch_size]# 开始训练数据，同时训练三个变量，返回三个数据_, loss, summary = sess.run([train_step, cross_entropy,merged_summary_op],feed_dict={x: batch_x, y_: batch_y,keep_prob_5: 0.5, keep_prob_75: 0.75})summary_writer.add_summary(summary, n * num_batch + i)# 打印损失print(n * num_batch + i, loss)if (n * num_batch + i) % 40 == 0:# 获取测试数据的准确率acc = accuracy.eval({x: test_x, y_: test_y, keep_prob_5: 1.0,keep_prob_75: 1.0})print(n * num_batch + i, acc)# 由于数据不多，这里设为准确率大于 0.80 时保存并退出if acc > 0.8 and n > 2:# saver.save(sess,'./train_face_model/train_faces.model', global_step = n * num_batch + i)saver.save(sess,'./train_face_model/train_faces.model')# sys.exit(0)# print('accuracy less 0.80, exited!')
cnnTrain()

input_dir='face_recog/test_faces'
index=1
output = cnnLayer()
predict = tf.argmax(output, 1)
#先加载 meta graph 并恢复权重变量
saver = tf.train.import_meta_graph('./train_face_model/train_faces.model.meta')
sess = tf.Session()
saver.restore(sess, tf.train.latest_checkpoint('./train_face_model/'))
#saver.restore(sess,tf.train.latest_checkpoint('./my_test_model/'))
def is_my_face(image):sess.run(tf.global_variables_initializer())res = sess.run(predict, feed_dict={x: [image/255.0], keep_prob_5:1.0,keep_prob_75: 1.0})if res[0] == 1:return Trueelse:return False
#使用 dlib 自带的 frontal_face_detector 作为我们的特征提取器
detector = dlib.get_frontal_face_detector()
#cam = cv2.VideoCapture(0)
#while True:#_, img = cam.read()
for (path, dirnames, filenames) in os.walk(input_dir):for filename in filenames:if filename.endswith('.jpg'):print('Being processed picture %s' % index)index += 1img_path = path + '/' + filename# 从文件读取图片img = cv2.imread(img_path)gray_image = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)dets = detector(gray_image, 1)if not len(dets):print('Can`t get face.')cv2.imshow('img', img)key = cv2.waitKey(30) & 0xffif key == 27:sys.exit(0)for i, d in enumerate(dets):x1 = d.top() if d.top() > 0 else 0y1 = d.bottom() if d.bottom() > 0 else 0x2 = d.left() if d.left() > 0 else 0y2 = d.right() if d.right() > 0 else 0face = img[x1:y1, x2:y2]# 调整图片的尺寸face = cv2.resize(face, (size, size))print('Is this my face? %s' % is_my_face(face))cv2.rectangle(img, (x2, x1), (y2, y1), (255, 0, 0), 3)cv2.imshow('image', img)key = cv2.waitKey(30) & 0xffif key == 27:sys.exit(0)
sess.close()

由于图片数量比较少，最终结果不是很理想，但是整个流程的逻辑是很透彻的，本人电脑比较渣，跑的时候比较慢。样本图片越多，最终的结果也越准确。