# 人脸检测和识别项目

**Repository Path**: li4112/Face_Detection_Recognition_project

## Basic Information

- **Project Name**: 人脸检测和识别项目
- **Description**: CSDN项目 通过mtcnn和facenet搭建的一个可以用来识别人脸的小项目
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 3
- **Created**: 2021-04-25
- **Last Updated**: 2021-04-25

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

 **# 人脸检测和识别项目** 

#### 介绍
CSDN项目 通过mtcnn和facenet搭建的一个可以用来识别人脸的小项目

#### 软件架构

python3.6

tensorflow1.14

MTCNN

facenet

![输入图片说明](https://images.gitee.com/uploads/images/2020/0222/210141_6d4dcbb8_5108713.png "屏幕截图.png")


align：这个文件夹是从facenet中拷贝的，主要是MTCNN人脸检测的相关文件

facenet.py：这个Python文件也是从facenet中拷贝的

dataset：这个文件夹主要存放数据，如人脸数据库

utils：这个文件是用于文件读写，图像相关操作的函数方法等

models：存放facenet预训练模型

#### 使用说明
（1）制作人脸数据图库：

 把相关的人像收集放在dataset/images文件夹下：

 这里是列表文本注意制作人脸数据图库时，所使用的照片必须是单人照片！！

 这里是列表文本若需要新增图库，只需在dataset/images下，新建一个文件夹，如，新增“XXX的文件夹，然后把XXX的单人照片放在里面即可，图片名称可以是任意

（2）生成embedding数据库

    有了人脸数据图库，就可以使用create_dataset.py生成embedding数据库（人脸特征）。

人脸识别过程

（1）加载人脸数据库

     把上面制作的，已知的人脸数据库加载进来。

（2）从输入的检测图中检测人脸位置，并提取特征。

（3）利用欧式距离计算特征之间的距离

模型测评
    为了对faceNed性能进行测评，用测评文件：evaluation_test.py，该文件会绘制测试文件的ROC曲线，并给出最优阈值，以及FPR, TPR, AUC等参数。

项目心得：
这个项目相对来说比较的基础，而且所使用的网络也是早些年的研究结果，最终的检测效果还是有很大的提高空间，我们可以用ssd+insigtface的方式进行替换。

在学习这个项目的过程中，有很多的收货，首先是一个自主的学习能力，通过阅读相关的文献以及网络上开源的一些讲解，从中学习到了很多关于人脸识别的知识。其次在课程的结尾，通过完成这样一个项目，也算是正是的入门了，把整个可能的知识都有一定的融合在里面。最后对于自己来说，这些大量的代码和模型本身的api的阅读也让自己的编程能力有了进一步的提升。

项目中遇到的问题：
首先是在环境的搭建方面，anaconda确实是非常适合于深度学习的，由于不同版本的tensorfolw上有很多接口的区别，所以在编写时一定要特别的注意。

在搭建gpu的tensorflow时，cdnn和cuda一定要是对应的版本。

其次在学习网络训练的过程中，batchsize一定不能太大，一旦过大电脑会跑不动。

在tinymind上传数据的过程中总是遇到上传失败的问题，不知道是不是自己网络的原因。

代码还是在window平台做的，有时间可以在linux下再试一下。

最主要的问题还是在下载一些模型的时候，需要用很长的时间去学习接口。


演示视频

链接：https://pan.baidu.com/s/1lIMkFjN8wT4JaioCNAyyJg 

提取码：kvbk