MTCNN人脸检测 + face_recognition + KNN人脸识别 (face_recognition模块的人脸定位采用dlib模块，本project采用mtcnn对其进行替换)
环境配置：
- nvidia-smi:410.93;
- python=3.5;
- cuda=10.0;
- cudnn=v7.4;
- tf-gpu=1.13.1;
- face_recognition;
- opencv-python;
- dlib(需要源码编译，启用GPU加速);
- scikit-learn;
- pickle;
实现流程 1.将底库照片分好文件夹，训练KNN人脸特征分类器；
-
对应代码： train_classifier.py [训练时需要注意代码内相关的路径,人脸定位采用dlib]
-
或 train_classifier_mtcnn.py [人脸定位采用mtcnn，效果优于dlib]
-
训练用的代码有两份： 一份代码训练用于图片人脸识别： test_code/train_classifier_mtcnn.py 生成的特征库文件为：***.clf文件 一份代码训练用于视频流人脸识别： test_code/encodings_faces_mtcnn.py 生成的特征库文件为： ***.pickle文件
训练数据集格式：
person-1(name)
--1.jpg
--2.jpg
.......
persong-n(name)
--1.jpg
--2.jpg
2.测试识别 (这里需要注意几个参数的设定，能一定程度提升人脸识别的精度： model='large'; num_jitters(人脸re_sample的次数))
- 1.单张照片人脸识别： 代码： recognize_faces_pic.py test_code/mtcnn_recognize_faces_pic.py [调用mtcnn检测模型，人脸识别效果更优]
- 2.实时视频流人脸识别： 代码： test_code/mtcnn_recognize_video.py
2019-8-27 增加了人脸对齐操作的代码，一定程度上尝试提升人脸识别的精确度 代码为： /test_code/batchfaces_alignment_dlib.py