结合结合OpenCV与与TensorFlow进行人脸识别的实现进行人脸识别的实现
主要介绍了结合OpenCV与TensorFlow进行人脸识别的实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有
一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
作为新手来说，这是一个最简单的人脸识别模型，难度不大，代码量也不算多，下面就逐一来讲解，数据集的准备就不多说了，因人而异。
一一. 获取数据集的所有路径获取数据集的所有路径
利用os模块来生成一个包含所有数据路径的list
def my_face():
path = os.listdir("./my_faces")
image_path = [os.path.join("./my_faces/",img) for img in path]
return image_path
def other_face():
path = os.listdir("./other_faces")
image_path = [os.path.join("./other_faces/",img) for img in path]
return image_path
image_path = my_face().__add__(other_face()) #将两个list合并成为一个list
二二. 构造标签构造标签
标签的构造较为简单，1表示本人，0表示其他人。
label_my= [1 for i in my_face()]
label_other = [0 for i in other_face()]
label = label_my.__add__(label_other) #合并两个list
三三.构造数据集构造数据集
利用tf.data.Dataset.from_tensor_slices()构造数据集，
def preprocess(x,y):
x = tf.io.read_file(x) #读取数据
x = tf.image.decode_jpeg(x,channels=3) #解码成jpg格式的数据
x = tf.cast(x,tf.float32) / 255.0 #归一化
y = tf.convert_to_tensor(y) #转成tensor
return x,y
data = tf.data.Dataset.from_tensor_slices((image_path,label))
data_loader = data.repeat().shuffle(5000).map(preprocess).batch(128).prefetch(1)
四四.构造模型构造模型
class CNN_WORK(Model):
def __init__(self):
super(CNN_WORK,self).__init__()
self.conv1 = layers.Conv2D(32,kernel_size=5,activation=tf.nn.relu)
self.maxpool1 = layers.MaxPool2D(2,strides=2)
self.conv2 = layers.Conv2D(64,kernel_size=3,activation=tf.nn.relu)
self.maxpool2 = layers.MaxPool2D(2,strides=2)
self.flatten = layers.Flatten()
self.fc1 = layers.Dense(1024)
self.dropout = layers.Dropout(rate=0.5)
self.out = layers.Dense(2)
def call(self,x,is_training=False):
x = self.conv1(x)
x = self.maxpool1(x)
x = self.conv2(x)
x = self.maxpool2(x)
x = self.flatten(x)
x = self.fc1(x)
x = self.dropout(x,training=is_training)
x = self.out(x)
if not is_training:
x = tf.nn.softmax(x)
return x
model = CNN_WORK()
评论0
最新资源