lfw

参考： sklearn 数据集认识： sklearn中的iris数据集有5个key： [‘target_names’, ‘data’, ‘target’, ‘DESCR’, ‘feature_names’] target_names : 分类名称 [‘setosa’ ‘versicolor’ ‘virginica’] target：分类（150个） (150L,) [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2] feature_names: 特征名称 (‘feature_names:’, [‘sepal length (cm)’, ‘sepal width (cm)’, ‘petal length (cm)’, ‘petal width

自动人脸识别的经典流程分为三个步骤：人脸检测、面部特征点定位（又称Face Alignment人脸对齐）、特征提取与分类器设计。一般而言，狭义的人脸识别指的是"特征提取+分类器"两部分的算法研究。 在深度学习出现以前，人脸识别方法一般分为高维人工特征提取（例如：LBP, Gabor等）和降维两个步骤，代表性的降维方法有PCA, LDA等子空间学习方法和LPP等流行学习方法。在深度学习方法流行之后，代表性方法为从原始的图像空间直接学习判别性的人脸表示。 一般而言，人脸识别的研究历史可以分为三个阶段。在第一阶段（1950s-1980s），人脸识别被当作一个一般性的模式识别问题，主流技术基于人脸的几何结构特征。在第二阶段（1990s）人脸识别迅速发展，出现了很多经典的方法，例如Eigen Face, Fisher Face和弹性图匹配，此时主流的技术路线为人脸表观建模。在第三阶段（1990s末期到现在），人脸识别的研究不断深入，研究者开始关注面向真实条件的人脸识别问题，主要包括以下四个方面的研究：1）提出不同的人脸空间模型，包括以线性判别分析为代表的线性建模方法，以Kernel方法为代表的非线性建模方法和基于3D信息的3D人脸识别方法。2）深入分析和研究影响人脸识别的因素，包括光照不变人脸识别、姿态不变人脸识别和表情不变人脸识别等。3）利用新的特征表示，包括局部描述子（Gabor

文章地址： 史上最全的FaceNet源码使用方法和讲解（一）（附预训练模型下载） 转载请注明出处。 前提条件：已安装并配置好Tensorflow的运行环境。 第一步：准备facenet程序： 一、下载FaceNet源码。 下载地址： facenet源码 二、精简代码。 作者在代码里实现了很多功能，但是对于初学者来说，很多代码是没有必要的，反倒找不到学习这个程序的入口。建议先精简一下代码，便于读懂代码：新建一个文件夹，取名：facenet，把源码中的src文件夹直接拷贝过来。 注： 便于大家能够看懂代码，以上两步我已经完成，同时，自己运行程序之后，还对里边的代码做了详细的注释，如果想先了解facenet的源码，强烈建议下载这个，下载地址： facenet精简版 当然，大家别忘了顺手点个星哦~~~ 第二步：下载预训练模型。 facenet提供了两个预训练模型，分别是基于CASIA-WebFace和MS-Celeb-1M人脸库训练的，不过需要去谷歌网盘下载，这里给其中一个模型的百度网盘的链接：链接: 预训练模型百度网盘地址 密码: 12mh 下载完成后，把预训练模型的文件夹拷贝在刚才的文件夹里。用pycharm打开这个工程文件如图： 第三步：运行人脸比对程序（compare.py）。 facenet可以直接比对两个人脸经过它的网络映射之后的欧氏距离。 -1、在compare

由于是第一次做 人脸识别，自己摸索，本来师兄是叫我先看MTCNN，不知道怎么回事蹦到了FaceNet了。不过先拿FaceNet做识别出个baseline吧。 github Train a classifier on own images 因为完全不知道怎么开始，所以先按照原本流程走一边。按照LFW的训练步骤： 安装依赖项 In the below description it is assumed that installed , and repo required python modules 下载LFW数据集 wget http://vis-www.cs.umass.edu/lfw/lfw.tgz 解压到 facenet\data\lfw 处理数据 （校准/对齐 将数据修剪到与预训练模型使用的数据集一致大小） 1.配置路径 export PYTHONPATH=/home/hszc/Desktop/ZHIHUICHENGSHI/version1/facenet/src 不配置得话 会报错 ImportError: No module named facenet 2.处理数据 cd facenet python src/align/align_dataset_mtcnn.py data/lfw/ data/lfw_160 --image_size 160 --margin 32 -

背景：在学习机器学习的时候，想做一个对抗性样本的实验，所以需要用上facenet ，facenet是基于TensorFlow 的人脸识别开源库。 开发环境 ： Windows 7 TensorFlow 1.7 Python 3.5.2 1.下载和安装facenet 下载命令 git clone https://github.com/davidsandberg/facenet.git ，这里要注意一下，在环境变量中需要在path添加上Git的安装位置，才可以执行此命令。 2.使用facenet前的准备 下载好facenet 后，打开facenet里面requirements.txt ，还需要安装文件里面的库包 - pip install -- 3.下载LFW数据集 下载地址 http://vis-www.cs.umass.edu/lfw/lfw.tgz，下载好后解压到facenet/data /lfw/raw 下面，可以看到刚下载好的数据集中每张图像的分辩率是250*250. 另外需要在facenet/data /lfw/下新建一个lfw_160用来存放处理好的图片。 4.对图像进行预处理 因为程序中神经网络使用的是谷歌的“inception resnet v1”网络模型，这个模型的输入时160*160的图像，而我们下载的LFW数据集是250*250限像素的图像