这是 FaceNet 的Keras实现 FaceNet: A Unified Embedding for Face Recognition and Clustering.

• NumPy
• Tensorflow
• Keras
• OpenCV

CelebFaces Attributes Dataset (CelebA) 是一个大型的人脸数据集，有10,177个身份和202,599张人脸图像。

按照 说明 下载 CelebFaces Attributes (CelebA) 数据集.

处理单个输入图像的工作流程如下：

1. 人脸检测：使用 Dlib 中预先训练的模型检测面部。
2. 人脸校准：使用 Dlib 的实时姿势估计与 OpenCV 的仿射变换来尝试使眼睛和下唇在每个图像上出现在相同位置。
3. 卷积网络：使用深度神经网络把人脸图片映射为 128 维单位超球面上的一个点。

图片来源

下载预训练模型，放在 models 目录下：

1. Dlib 人脸校准模型 shape_predictor_5_face_landmarks.dat.bz2
2. FaceNet 人脸识别模型 model.10-0.0156.hdf5

使用 Labeled Faces in the Wild (LFW) 数据集做性能评估:

• 13233 人脸图片
• 5749 人物身份
• 1680 人有两张以上照片

下载 LFW database 放在 data 目录下:

$ wget http://vis-www.cs.umass.edu/lfw/lfw-funneled.tgz
$ tar -xvf lfw-funneled.tgz
$ wget http://vis-www.cs.umass.edu/lfw/pairs.txt
$ wget http://vis-www.cs.umass.edu/lfw/people.txt

$ python lfw_eval.py

准确度: 89.27 %.

提取训练图像:

$ python pre-process.py

总共 202,599张人脸图像中，5600张无法被 dlib 标定。因此 202599 - 5600 = 196999 张被用于训练。

$ python train.py

要想可视化训练过程，执行下面命令：

$ tensorboard --logdir path_to_current_dir/logs

$ python demo.py

正(P)	欧式距离	锚(A)	欧式距离	反(N)
	0.1716		1.6495
1.2839	---	1.1502	---	1.1636
	0.3566		0.9795
1.6029	---	1.5733	---	1.2582
	0.7500		1.2708
1.4815	---	1.0065	---	1.7432
	0.2974		1.2198
2.0759	---	1.6838	---	1.3330
	0.3072		1.2609
0.5769	---	0.7416	---	0.8989
	0.3422		0.4381
1.4096	---	1.7690	---	1.0634
	0.5896		1.3287
1.7525	---	1.5093	---	0.9600
	0.5894		1.4106
1.5781	---	0.7706	---	1.7681
	0.6818		0.8294
1.1007	---	0.8181	---	1.1559
	0.3873		0.9675

执行下面命令查看样本数据：

$ python data_generator.py

正(P)	锚(A)	反(N)

执行下面命令查看数据增强效果：

$ python data_generator.py

之前	之后	之前	之后	之前	之后