如何使用 Python 和 FaceNet 构建人脸识别系统
人脸识别技术已在从安防系统到社交媒体等各种应用中日益普及。FaceNet 是执行此任务最有效的模型之一，它是一种专为人脸验证、识别和聚类而设计的深度学习模型。
在本教程中，我将向您展示如何使用 FaceNet 在 Python 中构建人脸识别系统。我们将涵盖从加载模型到人脸比对的所有内容。完成本指南后，您将拥有在自己的项目中实现人脸识别的扎实基础。
FaceNet是什么？
FaceNet 是谷歌开发的一种深度学习模型，它将人脸映射到 128 维欧氏空间。这些嵌入向量代表了人脸的基本特征，使得人脸的比较和识别更加容易，准确率也更高。与传统的人脸识别方法不同，FaceNet 专注于嵌入学习，这使其具有高效性和可扩展性。
先决条件
在深入研究代码之前，请确保已安装以下软件：
- Python 3.x
- TensorFlow 或 Keras（用于深度学习模型）
- NumPy（用于数值运算）
- OpenCV（用于图像处理）
- Scikit-learn（用于应用最近邻搜索）
您可以使用 pip 安装这些依赖项：
pip install tensorflow numpy opencv-python scikit-learn
步骤 1：加载预训练的 FaceNet 模型
首先，我们将加载一个预训练的 FaceNet 模型。您可以从可信来源下载该模型，也可以使用库中提供的模型keras-facenet。
from keras.models import load_model
# Load the pre-trained FaceNet model
model = load_model('facenet_keras.h5')
print("Model Loaded Successfully")
加载模型是设置人脸识别系统的第一步。该模型将用于生成图像的嵌入向量，这些嵌入向量是人脸的数值表示。
步骤 2：FaceNet 图像预处理
FaceNet要求输入图像为160x160像素的RGB格式。此外，像素值在输入模型之前需要进行归一化处理。
import cv2
import numpy as np
def preprocess_image(image_path):
# Load the image using OpenCV
img = cv2.imread(image_path)
# Convert the image to RGB (FaceNet expects RGB images)
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
# Resize the image to 160x160 pixels
img = cv2.resize(img, (160, 160))
# Normalize the pixel values
img = img.astype('float32') / 255.0
# Expand dimensions to match the input shape of FaceNet (1, 160, 160, 3)
img = np.expand_dims(img, axis=0)
return img
此函数负责 FaceNet 所需的图像预处理。它将图像转换为合适的格式和大小，确保模型接收到能够有效处理的输入。
步骤 3：生成人脸嵌入
接下来，我们将使用 FaceNet 模型从预处理后的图像中生成嵌入向量。这些嵌入向量将作为人脸的唯一数值表示。
def get_face_embedding(model, image_path):
# Preprocess the image
img = preprocess_image(image_path)
# Generate the embedding
embedding = model.predict(img)
return embedding
该get_face_embedding函数接收模型和图像路径作为参数，处理图像，并返回嵌入向量。我们将使用此嵌入向量进行人脸比较。
步骤 4：使用嵌入比较人脸
为了判断两张人脸是否匹配，我们通过计算它们之间的欧氏距离来比较它们的嵌入向量。如果距离低于某个阈值，则认为这两张人脸匹配。
from numpy import linalg as LA
def compare_faces(embedding1, embedding2, threshold=0.5):
# Compute the Euclidean distance between the embeddings
distance = LA.norm(embedding1 - embedding2)
# Compare the distance to the threshold
if distance < threshold:
print("Face Matched.")
else:
print("Faces are different.")
return distance
该compare_faces函数计算两个嵌入之间的距离。如果该距离小于指定的阈值（默认为 0.5），则函数输出“人脸匹配”。否则，输出“人脸不同”。
第五步：测试人脸识别系统
最后，让我们用两张图片测试一下我们的人脸识别系统，看看它是否能正确识别出它们是同一个人。
# Load the FaceNet model
model = load_model('facenet_keras.h5')
# Get embeddings for two images
embedding1 = get_face_embedding(model, 'face1.jpg')
embedding2 = get_face_embedding(model, 'face2.jpg')
# Compare the two faces
distance = compare_faces(embedding1, embedding2)
print(f"Euclidean Distance: {distance}")
输出
- 如果面孔匹配，你会看到：
Face Matched. - 如果它们不匹配，你会看到：
Faces are different.
此外，还会打印出两个嵌入之间的欧氏距离。
结论
您刚刚使用 Python 中的 FaceNet 构建了一个简单而强大的面部识别系统。该系统可以轻松扩展，以识别更多面部、处理实时识别或集成到更大的项目中。FaceNet 的高精度和高效率使其成为面部识别任务的绝佳选择。
您可以随意尝试不同的阈值，或者尝试将此系统用于实时应用程序，例如基于网络摄像头的面部识别工具。
如果您有任何疑问或需要进一步帮助，请在下方留言。祝您编程愉快！
文章来源：https://dev.to/abhinowww/how-to-build-a-face-recognition-system-using-facenet-in-python-27kh