完整资料进入【数字空间】查看——baidu搜索"writebug"
人脸识别软件(无外部API)
V2.0 基于DeepFace模型设计的人脸识别软件 V1.0 基于PCA模型设计的人脸识别软件
V2.0
更新时间：2018-08-15
在观看了吴恩达老师的“深度学习课程”，了解了深度卷积神经网络在人脸识别中的应用。其中提到的DeepFace模型在作业中有实现过程，故借此机会，将该模型应用到自己的人脸识别软件上。
引入 DeepFaceNet 模型，提高了识别准确率。同时解决了One-Shot问题。
新增文件
dir ‘deepface’：包含了模型文件、识别函数、编码函数等
‘deepface.h5’ ：DeepFace模型文件，采用Keras(Tensorflow backend)加载模型。
‘fr_utils.py’ ：深度人脸识别接口，包含：模型编码人脸函数、人脸识别函数。
‘inception_blocks.py’：DeepFace模型接口文件，包含：加载模型函数、模型损失函数。
更新细节
'face_recognition.py’中新建了’DeepFaceRecognition’类，用于人脸识别。
增加识别细节的处理，未注册用户将会显示“Unknown”。
在图像预处理部分加入直方图均衡化，增加了在较暗处的识别准确率。
V1.0
起初，在数据库课程设计部分，我用C#设计了一个基于人脸识别的签到记录系统。这个系统中的人脸识别部分使用的是商汤科技 Face++ API。由于识别速度比较慢，还需要连网，我总想将其改为离线式识别。所以，就有了这一篇博客。
基于之前写过的一篇博客 《图像处理之人脸识别》 中介绍的基于PCA的训练模型方法得到了人脸模型。
基于人脸模型、Python设计了这个小软件。这样摆脱了使用第三方API的缺点，识别速度更快。不过，经过测试，该方法受到光照影响较大。
开发工具
环境
windows 10
Anaconda(Spyder)
语言
软件设计：Python
模型训练使用：Matlab
框架
python-opencv
实现人脸检测功能，得到人脸区域
numpy
矩阵运算
scipy
科学计算，加载模型文件
tkinter
GUI开发
功能简介
人脸识别
在本软件设计中，我们使用的模型文件为 Matlab 导出的 .mat 文件。文件里面保存了两个矩阵 mean_face 与 V，前者为 平均脸向量，后者为人脸空间矩阵。
该软件保存的用户人脸图像大小为 112 x 92。每次开启软件时，加载所有用户图像进入内存，并将二维图像拉伸为一维向量。 v u s e r ( i ) v_{user}^{(i)} vuser(i)代表用户 i i i的人脸图像向量
然后，我们将所有用户图像向量组合为用户图像矩阵，该矩阵的每一列为用户图像向量：
U = [ ( v u s e r ( 0 ) ) T ( v u s e r ( 1 ) ) T ⋯ ( v u s e r ( n ) ) T ] U = \begin{bmatrix} (v_{user}^{(0)})^T \ (v_{user}^{(1)})^T \ \cdots \ (v_{user}^{(n)})^T \end{bmatrix} U=[(vuser(0))T (vuser(1))T ⋯ (vuser(n))T]
将用户图像矩阵 U U U中的每一列减去平均脸向量 v m e a n f a c e v_{mean _ face} vmeanface，再将运算后的矩阵投影至模型空间更新矩阵 U U U:
U = V T ⋅ ( U . − v m e a n f a c e ) U = V^T \cdot (U .- \ v_{mean _ face}) U=VT⋅(U.− vmeanface)
如此一来，我们得到了降维后的用户人脸矩阵。
识别过程
采集人脸图像，提取人脸部分，并将图像转换为向量形式： v i n p u t v_{input} vinput
将上一步得到的人脸向量按如下公式投影至模型空间： v p c a = V T ⋅ ( v i n p u t − v m e a n f a c e ) v_{pca}=V^T \cdot (v_{input} - v_{mean _ face}) vpca=VT⋅(vinput−vmeanface)
将上一步得到的 v p c a v_{pca} vpca向量与 U U U矩阵中的每一列计算 欧式距离，找到最近的一列即为识别目标。
