使用Tensorflow进行脸部识别

使用Tensorflow进行脸部识别

这是 “FaceNet：面部识别和聚类的统一嵌入”一文中描述的面部识别器的TensorFlow实现。该项目还使用了从图纸中的创意“为深人脸识别辨析功能学习方法”以及纸“深人脸识别”从视觉几何集团在牛津大学。

Tensorflow发行

目前这个repo与Tensorflow r1.0兼容。

新闻

日期	更新
2017-03-02	添加了预处理的模型，生成128维嵌入。
2017-02-22	更新为Tensorflow r1.0。使用Travis-CI增长了持续集成。
2017-02-03	添加了只有可修改变量存储在检查点中的模型。所以，它们显着更小。
2017-01-27	添加了一个在MS-Celeb-1M数据集的子集上训练的模型。该型号的LFW精度约为0.994。
2017-01-02	更新到使用Tensorflow r0.12运行的代码。不知道若是它与旧版本的Tensorflow一块儿运行。

预先训练的模型

型号名称	LFW精度	培训数据集
20170214-092102	0.986	CASIA-WebFace
20170216-091149	0.993	MS-Celeb-1M

灵感

该代码heavly灵感来自OpenFace实施。

培训资料

在中科院自动化所，WebFace数据集已经被用于训练。该训练集由脸部检测后的10 575个身份共计453 453张图像组成。若是在训练以前已通过滤了数据集，则会出现一些性能提高。有关如何完成这一工做的更多信息将在之后出现。对MS-Celeb-1M数据集的子集进行了最佳性能模型训练。此数据集显着较大，但也包含明显更多的标签噪声，所以在数据集上应用数据集过滤相当重要。

预处理

使用MTCNN进行脸部对齐

上述方法的一个问题彷佛是Dlib面部检测器错过了一些硬例子（部分闭塞，静音等）。这使得训练设置为“容易”，致使模型在其余基准上表现更差。为了解决这个问题，已经测试了其余的地标检测器。在该设置中已被证实可以很好地工做的一个地面地标探测器是 多任务CNN。能够在这里找到一个Matlab / Caffe实现，这已经用于面部对齐，结果很是好。能够在这里找到MTCNN的Python / Tensorflow实现。这个实现并无给出与Matlab / Caffe实现相同的结果，但性能很是类似。

跑步训练

目前，经过将模型做为分类器进行训练，增长了中心损失，实现了最好的效果。有关如何训练模型做为分类器的详细信息，请参见Inception-ResNet-v1的分类器训练页面。

预先训练的模型

Inception-ResNet-v1模型

目前，最好的表演模式是培训了中科院自动化所，Webface的盗梦空间，RESNET-V1型号对齐MTCNN。

性能

LFW型号20170216-091149的精度为0.993±0.004。有关如何运行测试的说明，请参见LFW上的Validate（验证）页面。