基于卷积神经网络（CNN）的人脸在线识别检测系统源码+数据集.zip

"""-------------------------------------------------------------- 三、CNN模型训练 训练模型：共八层神经网络，卷积层特征提取，池化层降维,全连接层进行分类。 训练数据：22784，测试数据：1200，训练集：测试集=20:1 共两类：我的人脸（yes),不是我的人脸（no）。 共八层： 第一、二层（卷积层1、池化层1），输入图片64*64*3，输出图片32*32*32 第三、四层（卷积层2、池化层2），输入图片32*32*32，输出图片16*16*64 第五、六层（卷积层3、池化层3），输入图片16*16*64，输出图片8*8*64 第七层（全连接层），输入图片8*8*64，reshape到1*4096，输出1*512 第八层（输出层），输入1*512，输出1*2 学习率：0.01 损失函数：交叉熵 优化器：Adam ------------------------------------------------------------------""" from sklearn.model_selection import train_test_split import tensorflow as tf import numpy as np import random import cv2 import sys import os """定义参数""" faces_my_path = './faces_my' faces_other_path = './faces_other' batch_size = 100 # 每次取100张图片 learning_rate = 0.01 # 学习率 size = 64 # 图片大小64*64*3 imgs = [] # 存放人脸图片 labs = [] # 存放人脸图片对应的标签 """定义读取人脸数据函数，根据不同的人名，分配不同的onehot值""" def readData(path , h = size , w = size): for filename in os.listdir(path): if filename.endswith('.jpg'): filename = path + '/' + filename img = cv2.imread(filename) top, bottom, left, right = getPaddingSize(img) """放大图片扩充图片边缘部分""" img = cv2.copyMakeBorder(img, top, bottom, left, right, cv2.BORDER_CONSTANT, value=[0, 0, 0]) img = cv2.resize(img, (h, w)) imgs.append(img) # 一张张人脸图片加入imgs列表中 labs.append(path) # 一张张人脸图片对应的path，即文件夹名faces_my和faces_other，即标签 """定义尺寸变换函数，有一套公式""" def getPaddingSize(img): height, width, _ = img.shape top, bottom, left, right = (0, 0, 0, 0) longest = max(height, width) if width < longest: tmp = longest - width left = tmp // 2 right = tmp - left elif height < longest: tmp = longest - height top = tmp // 2 bottom = tmp - top else: pass return top, bottom, left, right """定义神经网络层，共五层，卷积层特征提取，池化层降维,全连接层进行分类，共两类：我的人脸（true),不是我的人脸（false）""" def cnnLayer(): """第一、二层，输入图片64*64*3，输出图片32*32*32""" W1 = tf.Variable(tf.random_normal([3, 3, 3, 32])) # 卷积核大小(3,3)， 输入通道(3)， 输出通道(32) b1 = tf.Variable(tf.random_normal([32])) conv1 = tf.nn.relu(tf.nn.conv2d(x, W1, strides=[1, 1, 1, 1], padding='SAME')+b1) # 64*64*32，卷积提取特征，增加通道数 pool1 = tf.nn.max_pool(conv1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME') # 32*32*32，池化降维，减小复杂度 drop1 = tf.nn.dropout(pool1, keep_prob_fifty) # 按一定概率随机丢弃一些神经元，以获得更高的训练速度以及防止过拟合 """第三、四层，输入图片32*32*32，输出图片16*16*64""" W2 = tf.Variable(tf.random_normal([3, 3, 32, 64])) # 卷积核大小(3,3)， 输入通道(32)， 输出通道(64) b2 = tf.Variable(tf.random_normal([64])) conv2 = tf.nn.relu(tf.nn.conv2d(drop1, W2, strides=[1, 1, 1, 1], padding='SAME') + b2) # 32*32*64 pool2 = tf.nn.max_pool(conv2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME') # 16*16*64 drop2 = tf.nn.dropout(pool2, keep_prob_fifty) """第五、六层，输入图片16*16*64，输出图片8*8*64""" W3 = tf.Variable(tf.random_normal([3, 3, 64, 64])) # 卷积核大小(3,3)， 输入通道(64)， 输出通道(64) b3 = tf.Variable(tf.random_normal([64])) conv3 = tf.nn.relu(tf.nn.conv2d(drop2, W3, strides=[1, 1, 1, 1], padding='SAME') + b3) # 16*16*64 pool3 = tf.nn.max_pool(conv3, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME') # 8*8*64=4096 drop3 = tf.nn.dropout(pool3, keep_prob_fifty) """第七层，全连接层，将图片的卷积输出压扁成一个一维向量，输入图片8*8*64，reshape到1*4096，输出1*512""" Wf = tf.Variable(tf.random_normal([8*8*64,512])) # 输入通道(4096)， 输出通道(512) bf = tf.Variable(tf.random_normal([512])) drop3_flat = tf.reshape(drop3, [-1, 8*8*64]) # -1表示行随着列的需求改变，1*4096 dense = tf.nn.relu(tf.matmul(drop3_flat, Wf) + bf) # [1,4096]*[4096,512]=[1,512] dropf = tf.nn.dropout(dense, keep_prob_seventy_five) """第八层，输出层，输入1*512，输出1*2，再add，输出一个数""" Wout = tf.Variable(tf.random_normal([512,2])) # 输入通道(512)， 输出通道(2) bout = tf.Variable(tf.random_normal([2])) out = tf.add(tf.matmul(dropf, Wout), bout) # (1,512)*(512,2)=(1,2) ,跟y_ [0,1]、[1,0]比较给出损失 return out """定义训练函数""" def train(): out = cnnLayer() """损失函数为交叉熵""" cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=out, labels=y_)) """采用Adam优化器""" optimizer = tf.train.AdamOptimizer(learning_rate).minimize(cross_entropy) """求得准确率，比较标签是否相等，再求的所有数的平均值""" accuracy = tf.reduce_mean(tf.cast(tf.equal(tf.argmax(out, 1), tf.argmax(y_, 1)), tf.float32)) tf.summary.scalar('loss', cross_entropy) tf.summary.scalar('accuracy', accuracy) merged_summary_op = tf.summary.merge_all() saver = tf.train.Saver() with tf.Session() as sess: sess.run(tf.global_variables_initializer()) summary_writer = tf.summary.FileWriter('./tmp', graph=tf.get_default_graph()) for n in range(10): # """每次取100(batch_size)张图片,num_batch = len(train_x) // batch_size""" for i in range(num_batch): batch_x = train_x[i*batch_size: (i+1)*batch_size] # 图片 batch_y = train_y[i*batch_size: (i+1)*batch_size] # 标签：[0,1] [1,0] _, loss, summary = sess.run([optimizer, cross_entropy, merged_summary_op], feed_dict={x: batch_x, y_: batch_y, keep_prob_fifty: 0.5, keep_prob_seventy_five: 0.75}) summary_writer.add_summary(summary, n*num_batch+i) print("step:%d, loss:%g" % (n*num_batch+i, loss)) if (n*num_batch+i) % 100 == 0: acc = accuracy.eval({x: test_x, y_: test_y, keep_prob_fifty: 1.0, keep_prob_seventy_five: 1.0}) print("step:%d, acc:%g" % (n*num_batch+i, acc)) """训练到准确率达到98%停止训练""" if acc > 0.98 and n > 2: saver.save(sess, './train_faces.model', global_step=n*num_batch+i) sys.exit(0) if __name__ == '__main__': """1、读取人脸数据""" readData(faces_my_path) readData(faces_other_path) imgs = np.array(imgs) # 将图片数据与标签转换成数组 labs = np.array([[0, 1] if lab == faces_my_path else [1, 0] for lab in labs]) # 标签：[0,1]表示是我的人脸，[1,0]表示其他的人脸 """2、随机划分测试集与训练集""" train_x_1