《深度学习》Dlib库 CNN卷积神经网络 人脸识别

目录

一、如何实现CNN人脸识别

1、CNN核心概念

1）卷积层

2）池化层

3）激活函数

4）全连接层

2、步骤

1）加载预训练的人脸识别模型

2）读取图像并检测人脸

3）提取人脸特征向量

4）比较相似度

二、案例实现

1、完整代码

运行结果：

---

一、如何实现CNN人脸识别

1、CNN核心概念

        1）卷积层

                卷积层是CNN的核心组成部分之一，它通过应用一组卷积核（也称为滤波器）在输入图像上滑动，提取图像的局部特征。每个卷积核会对图像进行卷积操作，得到一个输出特征图。

        2）池化层

                池化层用于对卷积层输出的特征图进行下采样，减少特征图的尺寸和参数数量。常见的池化操作有最大值池化（Max Pooling）和平均值池化（Average Pooling）。

        3）激活函数

                在卷积层或全连接层之后，通常使用非线性激活函数来引入非线性关系。常见的激活函数有ReLU函数、Sigmoid函数和Tanh函数等。

        4）全连接层

                全连接层将前面的卷积层或池化层输出的特征图展平，并与相邻层的所有神经元进行全连接操作。它的作用是将提取到的特征进行分类或回归预测。

2、步骤

        1）加载预训练的人脸识别模型

                Dlib提供了一个预训练的人脸识别模型，可以在下载并安装Dlib库后找到。

        2）读取图像并检测人脸

                使用Dlib库提供的人脸检测器来检测输入图像中的人脸，并将每个检测到的人脸提取为一个矩形框。

        3）提取人脸特征向量

                使用CNN模型对每个检测到的人脸图像进行特征提取，得到一个固定长度的向量表示每个人脸。

        4）比较相似度

                使用提取的人脸特征向量来比较不同人脸之间的相似度。可以使用欧氏距离或余弦相似度等度量方法来计算相似度分数。

二、案例实现

1、完整代码

import dlib
import cv2# opencv可以直接通过retnet来读取神经网络。dlib也可以的。
cnn_face_detector = dlib.cnn_face_detection_model_v1("mmod_human_face_detector.dat")  # 加载预训练的卷积神经网络模型，文件内包含检测人脸所需的权重和配置img = cv2.imread("people3.png")  # 读取待识别人脸图片faces = cnn_face_detector(img,1)  # 调用卷积神经网络检测模型对img图像检测人脸，1表示上采样次数为1for d in faces:  # 遍历识别到的每一个人脸# 计算每个人脸的位置rect = d.rect   # 获取当前人脸的矩形框对象，返回两个坐标，左上右下left = rect.left()  # 左边界x坐标top = rect.top()   # 上边界y坐标right = rect.right()   # 右边界xbottom = rect.bottom()   # 下边界y# 绘制人脸对应的矩形框pt1:(left, top)cv2.rectangle(img,(left,top),(right,bottom),(0,255,0), 3)cv2.imshow("result",img)
k = cv2.waitKey()
cv2.destroyAllWindows()

        运行结果：