|
阅读：28816回复：0
目前较流行的人脸识别开源项目
人脸识别是目前深度学习领域应用最为广泛的领域之一，有许多优秀的开源项目，先介绍一下人脸识别大致流程：
描述：人脸识别流程 图片：22.png 
那么介绍一下目前较流行的人脸识别开源项目 SeetaFace Engine SeetaFace Engine是由中科院山世光老师团队所研发，是一个开源的C++人脸识别引擎，可以在没有第三方依赖的CPU上运行。它包含三个关键部分，即SeetaFace Detection，SeetaFace Alignment和SeetaFace Identification，它们对于构建一个真实可靠的人脸识别应用系统是必要和充分的。 SeetaFace Detection采用漏斗形级联结构来进行多视图人脸检测，实现了检测精度和速度之间的良好折衷。在公共数据集FDDB上,能够以高的速度得到业界先进的准确度。 SeetaFace Alignment级联产生多级栈式的自编码器网络来实时检测特征点（在单个i7 CPU上超过200 fps），并至少在某些公共数据集AFLW上实现了最先进的精度。 SeetaFace Identification是基于AlexNet CNN来实现人脸识别的，在准确性（在LFW数据库上能达到97.1%）和速度（在单个i7 CPU上大约需要120 ms）上均有良好的表现。 该人脸识别引擎由中国科学院计算技术研究所视觉信息处理与学习（VIPL）小组开发。代码是用C++编写的，不依赖于任何第三方库。 SeetaFace Engine使用VS编译，只能在window系统上运行。现已发布了SeetaFace2版本，增加了对Linux和Android的支持。 基于OpenCV与传统方法或深度学习结合 大致流程： 1.人脸检测，比如：OpenCV使用训练好的SSD检测模型检测人脸 2.提取人脸嵌入特征，比如：OpenCV使用OpenFace工程中的FaceNet模型提取深度学习人脸嵌入特征 3.训练人脸识别模型，比如：使用scikit-learn中的SVM算法在人脸嵌入特征上训练分类器 4.利用训练好的模型识别人脸 openface 是使用深度神经网络的开源人脸识别框架，同类的基于深度学习的还有seetaface、DeepID等。openface人脸比对结果的准确度可能不是很好，它是有待提升的。如果有能力的话，可以通过源码进行优化。一般来说，置信度小于1的基本可以接受的，但是这个要看具体的使用场景，我们可以根据具体的业务设置这个置信度阈值。如果openface准确度达不到我们的要求，我们可以多试几次，或者提供更加高质量的训练库图片和比对图片，或者业务上进行控制和优化，比如前端提示图片无法识别，图片不清晰等等。 OpenFace 名字与openface相同，但它首字母是大写的。官方文档是这样介绍的：它一种用于计算机视觉和机器学习研究人员，情感计算社区以及对基于面部行为分析构建交互式应用程序感兴趣的人的工具。它能够进行面部标志检测，头部姿势估计，面部动作单元识别和眼睛注视估计的工具包，其中包含运行和训练模型的可用源代码。 FaceNet 基于Tensorflow实现的FaceNet是谷歌提出的一种新的人脸识别的方法，该方法在LFW数据集上的准确度达到了99.6%。不同于传统的CNN方法,该方法是直接通过学习将特征变为欧式平面上的一个点，然后通过比较点之间的距离来进行判断。
github地址：https://github.com/davidsandberg/facenet dlib dlib是一个包含机器学习算法和工具的C++开源工具包，它广泛应用于工业界和学术界，包括机器人，嵌入式设备，移动电话和大型高性能计算环境。其中像frontal face detection 、face recognition包提供了完整、简单的人脸识别过程。 官方文档：http://dlib.net/ 参考 SeetaFace Engine：https://github.com/seetaface/SeetaFaceEngine OpenCV深度学习人脸识别：http://www.sohu.com/a/256031108_100279313 http://www.cnblogs.com/shine-lee/p/10045672.html https://www.cnblogs.com/FlyAway2013/p/8184089.html https://www.zhihu.com/question/37060782/answer/102586758 |
|
