人臉識別 檢索專案記錄

趁空閒時間，記錄一下做過的乙個實驗室專案，主要分為4個部分：1）語音轉文字；2）人臉識別；3）行人識別；4）檢索。本人負責人臉識別和檢索模組及整體專案的融合，在此介紹一下自己所做的兩個模組。

使用faiss索引庫構對提取到的人臉特徵加入索引構建特徵資料庫

使用flask框架實現前後端的互動傳輸

1. 人臉識別演算法

專案中嘗試了opencv、dlib、mtcnn+facenet的演算法，最後選定了mtcnn+facenet演算法，優勢是在小臉和側臉方面檢測更優。

mtcnn【輸入：幀；輸出：檢測到的人臉框、置信分數、5個關鍵點位置】

facenet【輸入：160x160大小的人臉（按mtcnn檢測到的人臉框裁剪，根據關鍵點進行人臉對齊，再resize成160x160大小）；

輸出：人臉特徵（128維）】

參考：mtcnn詳解

mtcnn網路主要分為4個階段：影象金字塔、pnet、rnet、onet

影象金字塔：

輸入一張，將resize到500，然後按照factor = 0.709依次縮小裁剪至大小為12，將所有儲存

針對每一張，依次輸入pnet，輸出很多個粗略的候選框（每個框有位置資訊還有置信分數），將每個的候選框合併，然後進行nms演算法，得到一些粗略的proposal

將pnet得到的proposal裁剪並resize成24x24大小，輸入rnet，然後進行nms，得到較準確的rois(位置和分數)【rnet的nms閾值設定為0.3，只剩下少了的rois了】

將rnet得到的較準rois裁剪並resize成48x48大小，輸入onet，然後進行nms，得到最終的rois，即rectangles。

【len(rectangles) 的個數為檢測到的人臉數，len(rectangles[0])為15，4：框的位置座標，1：置信分數，10：5個關鍵點的座標】

根據mtcnn的輸出結果，在原上進行裁剪人臉，並進行人臉對齊矯正，隨後使用facenet演算法的backbone對裁剪後的人臉進行特徵提取（128維），其網路模型就是inceptionresnetv1，比較容易，這裡就不詳細講了

facenet的triple loss：facenet介紹

【注，常見的對齊方法：通過雙眼座標進行旋正、通過矩陣運算求解仿射矩陣進行旋正】

2. faiss

使用faiss索引庫對提取到的人臉特徵加入索引構建資料庫

**實現（faiss快速入門）

def

index_build
(self, indexfilename)
:"""
將特徵構建索引庫
:param indedxfilename: 索引所儲存的位置
:return:
"""if self.featuretype ==
"face"
: d =
128if self.featuretype ==
"person"
: d =
256file
=open
(self.featurepath)
json_data = json.load(
file
) features =
if d ==
128:
# 表示讀入的為人臉特徵
for i in
range
(len
(json_data)):
['feature'])
index = faiss.indexflatl2(d)
if d ==
256:
# 表示讀入的為行人特徵，儲存格式與人臉不同，遂用兩段**分別處理
for person in json_data[0]
.keys():
0][person]
['feature'])
index = faiss.indexflatip(d)
features = np.asarray(features)
.astype(np.float32)
index.add(features)
faiss.write_index(index, indexfilename)

使用flask進行前後端的互動功能

**實現（入門教程很多，就不貼了…）

#伺服器端

"""傳輸模組
"""'/register'
, methods=
['post'])
defregister()
: all_video_inf =
res = json.loads(request.data)if(
'key words'
in res.keys())
and(res[
'key words']!=
''):print
('輸入關鍵字成功'
) wordinformation = information(
"word"
, res[
'key words'])
video_time_words = wordinformation.word_search(
)#檢索關鍵字
'result'])
if('face'
in res.keys())
and(res[
'face']!=
''):print
('輸入人臉成功'
) faceinformation = information(
"face"
, res[
'face'])
video_time_face = faceinformation.face_search_in_many_videos(facefeature2indexpath, facefeature2timelistpath)
#檢索人臉
'result'])
if('person'
in res.keys())
and(res[
'person']!=
''):print
('輸入人體成功'
) personinformation = information(
"person"
, res[
'person'])
video_time_person = personinformation.person_search_in_many_videos(personfeature2indexpath, personfeature2timelistpath)
#檢索行人
'result'])
else
:return
str(
'status:error'
)#合併重複的檢索結果
alloftime = time(all_video_inf)
result = alloftime.merge(
)return
str(result)
#客戶端
import requests
import cv2
import json
import numpy as np
#輸入查詢資料（文字、人臉、行人）
# requests傳送資料給伺服器端並接收返回資料
response = requests.post(
"", data=json.dumps(inquire_data)
)output =
eval
(response.text)
print
(output)

人臉識別 人臉庫

1.mit 影象集 美國，麻省理工學院 包括 16 人，每個人有不同光照 不同尺寸 不同角度的 27 張 2.feret 影象集 美 方 此影象集包含大量的人臉影象，並且每幅圖中均只有乙個人臉。該集中，同乙個人的 有不同表情，光照，姿態和年齡的變化。3.umist 影象集 英國，曼切斯特大學 20 ...

人臉識別之人臉檢測

人臉識別分為人臉檢測 人臉預處理 蒐集和學習人臉以及人臉識別四個部分，此部分將人臉檢測。本文基於opencv進行的。在opencv中常用的人臉檢測器有基於lbp的特徵檢測 基於haar的特徵檢測，兩者的區別 前者比後者快好幾倍且不需要許可協議，但很多haar檢測器需要許可協議。基於haar的臉部檢測...

人臉識別API 人臉比對

api協議說明 路徑 輸入引數 字段型別 描述seq可選 string 會話序號 非必填 imga string 資料 base64編碼 原始建議小於3m,格式限定為jpg bmp png三種格式 imgb string 資料 base64編碼 原始建議小於3m,格式限定為jpg bmp png三種...