facenet 进行人脸识别测试

1.简介：facenet 是基于 TensorFlow 的人脸识别开源库，有兴趣的同学可以扒扒源代码：https://github.com/davidsandberg/facenet

2.安装和配置 facenet

我们先将 facenet 源代码下载下来：

git clone https://github.com/davidsandberg/facenet.git

在使用 facenet 前，务必安装下列这些库包：

或者直接移动到 facenet 目录下，一键安装

pip install -r requirements.txt

3.下载 LFW 数据集

LFW 是由美国马萨诸塞大学阿姆斯特分校计算机视觉实验室整理的。它包含13233张图片，共5749人，其中4096人只有一张图片，1680人的图片多余一张，每张图片尺寸是250x250 。

下载地址：http://vis-www.cs.umass.edu/lfw/   ->Menu->Download->All images as gzipped tar file

下载完成后，我们将文件解压到 facenet/data/lfw_data/lfw 目录下（没有的话自己建个目录），在 lfw_data 目录下新建一个目录 lfw_160，用来存放裁剪后图片。

4.对图像进行预处理

因为程序中神经网络使用的是谷歌的“inception resnet v1”网络模型，这个模型的输入时160*160的图像，而我们下载的LFW数据集是250*250限像素的图像，所以需要进行图片的预处理。

运行 facenet/src/align/align_dataset_mtcnn.py 来修改图片尺寸大小，加入下列参数

facenet/data/lfw_data/lfw                 　　　　　　  #输入图像文件夹
facenet/data/lfw_data/lfw_160         　　　　　　　　   #输出图像文件夹
--image_size 160 --margin 32 --random_order--gpu_memory_fraction 0.25   　　　　#指定裁剪后图像大小（如果不指定，默认的裁剪结果是182*182像素的）

即

python align_dataset_mtcnn.py facenet/data/lfw_data/lfw facenet/data/lfw_data/lfw_160 --image_size 160 --margin 32 --random_order--gpu_memory_fraction 0.25 

如果用的是 pycharm，可以在 RUN -> Edit Configurations 下添加参数信息，然后运行 align_dataset_mtcnn.py 文件：

**这里自己运行的时候一直报错提示：No module named 'align'

   将 align_dataset_mtcnn.py 移动至 src 文件夹下再运行就不会报错了。

校准后图像大小即变为160 x 160 。

5.评估 Google 预训练模型在数据集中的准确性

facenet提供了两个预训练模型，分别是基于CASIA-WebFace和 VGGFace2人脸库训练的。（由于存储在 Google 网盘中，需要 FQ 下载使用）

GitHub 地址：https://github.com/davidsandberg/facenet

这里我采用的是 CASIA-WebFace 预训练模型，有兴趣了解的小伙伴，可以到CASIA-WebFace 官网看看：

http://www.cbsr.ia.ac.cn/english/CASIA-WebFace-Database.html

将下载好的预训练文件解压到 facenet/src/models目录下：

添加参数

facenet/data/lfw_data/lfw_160 facenet/src/models/20180408-102900

运行 validate_on_lfw.py 文件。

这里我刚开始运行的时候报错：

发现是预训练模型版本太旧，我们在 facenet 上下载最新的CASIA-WebFace 训练库再重新运行即可。

 运行结果如下：

可以看到识别精度可以达到 97.7%，其识别准确度还是非常不错的。

但是程序运行完以后虽然最终运行结果正确，但是最后却还是报了个错误：_2_input_producer: Skipping cancelled enqueue attempt with queue not closed

原因是主线程已经关闭，但是读取数据入队线程还在执行入队。

由于自己对 TensorFlow 线程还不是特别了解，暂时还没有解决这个问题。