# 人脸识别demo

**Repository Path**: naco/face-recognition-demo

## Basic Information

- **Project Name**: 人脸识别demo
- **Description**: face-recognition和facenet实现的人脸识别。
cpu运行。
- **Primary Language**: Python
- **License**: LGPL-3.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 4
- **Forks**: 3
- **Created**: 2021-10-21
- **Last Updated**: 2024-12-18

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 人脸识别demo
## 目录
- [人脸识别demo](#人脸识别demo)
  - [目录](#目录)
  - [简介](#简介)
  - [快速开始](#快速开始)
  - [人脸识别](#人脸识别)
  - [应用](#应用)
  - [接下来的工作](#接下来的工作)



## 简介
* 运行环境：python=3.6、torch=1.9。
* 批量安装请运行以下代码(不包含pytorch)：
    ```bash
    > pip install -r requirements.txt
    ```

## 快速开始
* 下载与训练模型: [百度网盘](https://pan.baidu.com/s/1Opj7pQN9bKdlbhXP4aampA) 提取码：pudk
* 将已知人脸图片放入`data\know`路径下，并以人名命名。
* 执行`encoding_people.py`对人脸进行编码。
* 执行`detect.py`文件，开始对视频流进行检测。

## 人脸识别
* 人脸识别主要分为两个步骤，已知人脸编码、实时人脸检检测。
1. 已知人脸编码: 使用face_recognition对人脸进行目标检测，使用预训练的facenet_mobilenet对人脸进行编码，并保存到`data\features.npy`和`data\names_table.npy`文件中。
    ```bash
    > python ./encoding_people.py
    ```
2. 实时人脸检测： 基本方法与已知人脸检测相同，在获取人脸向量后。通过k近邻与人脸库进行匹配。
   
3. 后处理  
   * 过滤算法， 由于使用的facenet权重对亚洲人脸降维效果较差，即便是在使用了k近邻作为分类头的基础上，仍然有一定误识别概率；且由于没有人脸质量检测模块(缺少数据集)，会误识别快速移动的模糊人脸，因此在后处理中增加了多次确认的操作，针对同一目标，统计多次识别结果，当M次中80%都是某一确定的对象时，确认为目标。
   * 通过iou进行人脸追踪，同一追踪目标只返回一次结果。

## 应用
****该项目目前运用于打卡系统，在40人每人8张照片的打卡数据库下基本排除误识别，且打卡确认时间约在1.5s左右****

## 接下来的工作
1. 使用人脸矫正，增加模型鲁棒性。
2. 添加人脸质量检测模块。
3. 重新训练facenet降维模块。
4. 基于上述三个提升，实现无感识别。