PyQt5+Caffe+Opencv搭建人脸识别登录界面_如何利用pyqt5搭建人脸识别界面资源-CSDN文库

19 浏览量 2021-01-20 06:09:21 上传评论 7 收藏 181KB PDF 举报

资源推荐

资源详情

资源评论

PyQt5+Caffe+Opencv搭建人脸识别登录界面搭建人脸识别登录界面

最近开始学习Qt,结合之前学习过的caffe一起搭建了一个人脸识别登录系统的程序，新手可能有理解不到位的情况，还请大家

多多指教。

我的想法是用opencv自带的人脸检测算法检测出面部，利用caffe训练好的卷积神经网络来提取特征，通过计算当前检测到的

人脸与已近注册的所有用户的面部特征之间的相似度，如果最大的相似度大于一个阈值，就可以确定当前检测到的人脸对应为

这个相似度最大的用户了。

###Caffe人脸识别人脸识别

因为不断有新的用户加入，然而添加新用户后重新调整CNN的网络结构太费时间，所以不能用CNN去判别一个用户属于哪一

类。一个训练好的人脸识别网络拥有很强大的特征提取能力（例如这里用到的VGG face）,我们finetune预训练的网络时会调

整最后一层的分类数目，所以最后一层的目的是为了分类，倒数第二个全连接层（或者前面的）提取到的特征通过简单的计算

距离也可以达到很高的准确率，因此可以用计算相似度的方式判断类别。

载入载入finetune后的后的VGG模型模型

代码就不详细解释了，我用的是拿1000个人脸微调后的VGGface,效果比用直接下载来的weight文件好一点，这里可以用原始

的权重文件代替。

import caffe

model_def = 'VGG_FACE_deploy.prototxt'

model_weights = 'VGG_Face_finetune_1000_iter_900.caffemodel'

# create transformer for the input called 'data'

net = caffe.Net(model_def, # defines the structure of the model

model_weights, # contains the trained weights

caffe.TEST)

transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})

transformer.set_transpose('data', (2,0,1)) # move image channels to outermost dimension

transformer.set_mean('data', np.array([104, 117, 123])) # subtract the dataset-mean value in each channel

transformer.set_raw_scale('data', 255) # rescale from [0, 1] to [0, 255] transformer.set_channel_swap('data', (2,1,0)) # swap channels from RGB to

BGRxpor

计算余弦相似度计算余弦相似度

import numpy as np

# 计算余弦距离

def cal_cos(A,B):

num = A.dot(B.T) #若为行向量则 A * B.T

print(B.shape)

if B.ndim == 1:

denom = np.linalg.norm(A) * np.linalg.norm(B)

else:

denom = np.linalg.norm(A) * np.linalg.norm(B, axis=1)

#print(num)

cos = num / denom #余弦值

sim = 0.5 + 0.5 * cos #归一化

return sim

def cal_feature(image):

#for i,img_name in enumerate(os.listdir(path)):

#image = caffe.io.load_image(os.path.join(path,img_name))

transformed_image = transformer.preprocess('data', image)

net.blobs['data'].data[0,:,:,:] = transformed_image

output = net.forward()

return net.blobs['fc7'].data[0]

cal_feature函数返回fc7层的输出，也就是image通过网络提取到的特征；A的维度为[1, 4096],为需要检测的目标，B的维度为

[n,4096],表示所有已注册的用户的特征，cal_cos返回n个相似度，值越大，越可能是同一个人。

###Opencv人脸检测人脸检测

检测人脸位置的算法用了opencv自带的人脸检测器。

import cv2

face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余5页未读，立即下载

内容反馈

weixin_38559992

粉丝: 3
资源: 927

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈

feedback-tip