devbox
笔触狂放9
这个屌丝很懒，什么也没留下！
关注作者
热门标签
热门文章
当前位置:   article > 正文

Paddle实现人脸对比

作者：笔触狂放9 | 2024-04-07 07:12:13

赞

踩

Paddle实现人脸对比

人脸对比

人脸对比，顾名思义，就是对比两个人脸的相似度。本文将用Paddle实现这一功能。

PS：作者肝了整整3天才稍微搞明白实现方法

数据集准备

这里使用百度AI Studio的开源数据集：

人脸数据_数据集-飞桨AI Studio星河社区 (baidu.com)

这个数据集提供了500个人的人脸各100张，比较适合我们的项目。

根据这个数据集，很容易写出数据集类，文件名为face_dataset.py：

  1. import numpy as np
  2. from PIL import Image
  3. import paddle
  4. from random import shuffle
  5.  
  6.  
  7. class FaceData(paddle.io.Dataset):
  8.  
  9.     def __init__(self, mode, num):
  10.         super().__init__()
  11.         # 训练集/测试集
  12.         file = 'facecap/train_list.txt' if mode == 'train' else 'facecap/test_list.txt'
  13.         self.imgs1 = []
  14.         self.imgs2 = []
  15.         self.labels = []
  16.         # 控制相同人脸个数与不同人脸个数各占一半
  17.         _1_count = 0
  18.         with open(file) as f:
  19.             # 读取数据集文件信息数据并洗牌
  20.             lines = f.readlines()
  21.             shuffle(lines)
  22.             lines = lines[:num]
  23.             print('read down')
  24.             # 加载数据集
  25.             for line1 in lines:
  26.                 line1 = line1.strip()
  27.                 img1, label1 = line1.split(' ')
  28.                 pil_img1 = Image.open(f'facecap\\{img1}').convert('RGB').resize((96, 96))
  29.                 for line2 in lines:
  30.                     line2 = line2.strip()
  31.                     img2, label2 = line2.split(' ')
  32.                     if label1 == label2:
  33.                         _1_count += 1
  34.                         pil_img2 = Image.open(f'facecap\\{img2}').convert('RGB').resize((96, 96))
  35.                         self.imgs1.append(np.array(pil_img1).transpose((2, 0, 1)) / 255.0)
  36.                         self.imgs2.append(np.array(pil_img2).transpose((2, 0, 1)) / 255.0)
  37.                         self.labels.append(1)
  38.                     elif _1_count > 0:
  39.                         _1_count -= 1
  40.                         pil_img2 = Image.open(f'facecap\\{img2}').convert('RGB').resize((96, 96))
  41.                         self.imgs1.append(np.array(pil_img1).transpose((2, 0, 1)) / 255.0)
  42.                         self.imgs2.append(np.array(pil_img2).transpose((2, 0, 1)) / 255.0)
  43.                         self.labels.append(0)
  44.         self.imgs1 = np.array(self.imgs1, dtype=np.float32)
  45.         self.imgs2 = np.array(self.imgs2, dtype=np.float32)
  46.         self.labels = np.array(self.labels, dtype=np.float32)
  47.         print('load down')
  48.  
  49.     def __getitem__(self, idx):
  50.         return self.imgs1[idx], self.imgs2[idx], self.labels[idx]
  51.  
  52.     def __len__(self):
  53.         return len(self.labels)

需要注意的是，PIL的图片维度与paddle CNN的维度不一样，需要使用transpose改变 

当然，使用这个数据集类读取数据是非常漫长的，因此我们创建了一个face_create_dataset.py，创建数据集对象并保存到本地：

  1. from face_dataset import FaceData
  2. import pickle
  3.  
  4. train_dataset = FaceData(mode='train', num=2000)
  5. test_dataset = FaceData(mode='test', num=200)
  6.  
  7. pickle.dump(train_dataset, open('./database/train.data', 'wb'), protocol=4)
  8. pickle.dump(test_dataset, open('./database/test.data', 'wb'), protocol=4)

 这里我们使用pickle保存对象，注意这里要指定protocol=4，以保证可以存储超过4G的大文件

最后，这个脚本会在本地的database文件夹下生成两个data文件，使用时只需要加载即可

孪生网络

既然要输入两张图片，就自然需要使用两张卷积网络，分别处理两张图片。但是人脸对比与输入顺序无关，这就要求两个网络对于同一张图片的输出是相同的，也就是这两个网络是相同的。即共享权重的网络。因此我们可以定义网络如下：

  1. class FaceNet(paddle.nn.Layer):
  2.  
  3.     def __init__(self):
  4.         super().__init__()
  5.         # 共享权重的cnn网络
  6.         self.cnn = paddle.nn.Sequential(
  7.             paddle.nn.Conv2D(3, 16, 3, padding=1),
  8.             paddle.nn.ReLU(),
  9.             paddle.nn.MaxPool2D(2, 2),
  10.             paddle.nn.Conv2D(16, 32, 3, padding=1),
  11.             paddle.nn.ReLU(),
  12.             paddle.nn.MaxPool2D(2, 2),
  13.             paddle.nn.Conv2D(32, 64, 3, padding=1),
  14.             paddle.nn.ReLU(),
  15.             paddle.nn.MaxPool2D(2, 2),
  16.             paddle.nn.Conv2D(64, 128, 3, padding=1),
  17.             paddle.nn.ReLU(),
  18.             paddle.nn.MaxPool2D(2, 2),
  19.             paddle.nn.Flatten(),
  20.             paddle.nn.Linear(4608, 5)
  21.         )
  22.  
  23.     def forward(self, face1, face2):
  24.         # 前向传播：使用cnn网络分别输出两个结果并返回
  25.         n1r = self.cnn(face1)
  26.         n2r = self.cnn(face2)
  27.         return n1r, n2r

这个网络还需要有特殊的损失函数。这个损失函数将会使相同的人脸距离相近，不同的人脸距离更远。我们采用勾股定理计算距离，这样的距离也叫欧氏距离。

因此，对于一个在n维空间上的两个点(x1, x2, x3, ..., xn), (y1, y2, y3, ..., yn)，就有：

d = \sqrt{(x_1-y_1)^2+(x_2-y_2)^2+...+(x_n-y_n)^2}

因此，如果人脸相同，损失函数将会输出的损失值是：

\left | 0-d \right |

这样的话，如果距离过远，损失值就会偏大 ，从而使输出更接近0

如果人脸不同，输出的损失值是：

max(m-d, 0)

这样的话，只有当距离比设定阈值远时，损失才为0.

另外，损失最好使用乘方而不是绝对值，这样的话就可以增加远离时的梯度。

我们定义其损失函数如下：

  1. # 损失函数定义
  2. class FaceLoss(paddle.nn.Layer):
  3.  
  4.     def __init__(self, margin=(512 ** 0.5)):
  5.         super(FaceLoss, self).__init__()
  6.         self.margin = margin
  7.  
  8.     def forward(self, output1, output2, label):
  9.         # 计算欧式距离（勾股定理）
  10.         euclidean_distance = paddle.norm(output1 - output2, axis=1)
  11.         # 损失值
  12.         # 在数据集中，1为相同，0为不同。但是输出要求相似的图片距离更近
  13.         loss_contrastive = label * paddle.square(euclidean_distance) + \
  14.                            (1 - label) * paddle.square(
  15.             paddle.maximum(self.margin - euclidean_distance, paddle.to_tensor(0.0)))
  16.         # 损失函数应对同一批次取一个损失值
  17.         return paddle.mean(loss_contrastive)

在paddle中，可以使用paddle.norm计算距离。axis=1表示只对第1维度计算距离，因为第0维度是数据批次。

在数据集中，我们定义1为相同，0为不同。根据我们之前的分析，很容易算出损失值的公式。

接下来就可以把这两个整合在一个py文件中，起名face_layers.py：

  1. import paddle
  2.  
  3.  
  4. class FaceNet(paddle.nn.Layer):
  5.  
  6.     def __init__(self):
  7.         super().__init__()
  8.         # 共享权重的cnn网络
  9.         self.cnn = paddle.nn.Sequential(
  10.             paddle.nn.Conv2D(3, 16, 3, padding=1),
  11.             paddle.nn.ReLU(),
  12.             paddle.nn.MaxPool2D(2, 2),
  13.             paddle.nn.Conv2D(16, 32, 3, padding=1),
  14.             paddle.nn.ReLU(),
  15.             paddle.nn.MaxPool2D(2, 2),
  16.             paddle.nn.Conv2D(32, 64, 3, padding=1),
  17.             paddle.nn.ReLU(),
  18.             paddle.nn.MaxPool2D(2, 2),
  19.             paddle.nn.Conv2D(64, 128, 3, padding=1),
  20.             paddle.nn.ReLU(),
  21.             paddle.nn.MaxPool2D(2, 2),
  22.             paddle.nn.Flatten(),
  23.             paddle.nn.Linear(4608, 5)
  24.         )
  25.  
  26.     def forward(self, face1, face2):
  27.         # 前向传播：使用cnn网络分别输出两个结果并返回
  28.         n1r = self.cnn(face1)
  29.         n2r = self.cnn(face2)
  30.         return n1r, n2r
  31.  
  32.  
  33. # 损失函数定义
  34. class FaceLoss(paddle.nn.Layer):
  35.  
  36.     def __init__(self, margin=(512 ** 0.5)):
  37.         super(FaceLoss, self).__init__()
  38.         self.margin = margin
  39.  
  40.     def forward(self, output1, output2, label):
  41.         # 计算欧式距离（勾股定理）
  42.         euclidean_distance = paddle.norm(output1 - output2, axis=1)
  43.         # 损失值
  44.         # 在数据集中，1为相同，0为不同。但是输出要求相似的图片距离更近
  45.         loss_contrastive = label * paddle.square(euclidean_distance) + \
  46.                            (1 - label) * paddle.square(
  47.             paddle.maximum(self.margin - euclidean_distance, paddle.to_tensor(0.0)))
  48.         # 损失函数应对同一批次取一个损失值
  49.         return paddle.mean(loss_contrastive)

训练

接下来我们需要编写训练脚本face.py：

  1. import paddle
  2. from face_dataset import FaceData
  3. from face_layers import FaceNet, FaceLoss
  4. import pickle
  5.  
  6. # 加载数据集
  7. train_dataset = pickle.load(open('./database/train.data', 'rb'))
  8. test_dataset = pickle.load(open('./database/test.data', 'rb'))
  9.  
  10. # 输出数据集信息
  11. print(f'加载数据完毕，训练集数据个数：{len(train_dataset)}；测试集数据个数：{len(test_dataset)}')
  12.  
  13. count = 0
  14. for context1, context2, label in train_dataset:
  15.     if label == 1:
  16.         count += 1
  17.  
  18. print(f'训练集相同人脸个数{count}')
  19.  
  20. count = 0
  21. for context1, context2, label in test_dataset:
  22.     if label == 1:
  23.         count += 1
  24.  
  25. print(f'测试集相同人脸个数{count}')
  26.  
  27. # 指定设备
  28. paddle.device.set_device('gpu')
  29.  
  30. # 创建模型
  31. model = paddle.Model(FaceNet())
  32.  
  33. # 打印模型信息
  34. print(model.summary(((1, 3, 96, 96), (1, 3, 96, 96))))
  35.  
  36. # 模型训练的配置准备，准备损失函数，优化器和评价指标
  37. model.prepare(paddle.optimizer.Adam(parameters=model.parameters(), learning_rate=0.00001),
  38.               FaceLoss())
  39.  
  40. # 模型训练
  41. model.fit(train_dataset, epochs=50, batch_size=64, verbose=1)
  42. # 模型评估
  43. model.evaluate(test_dataset, batch_size=64, verbose=1)
  44.  
  45. # 保存模型
  46. model.save('./output/face-compare')

这里需要注意，我们需要使用FaceLoss作为损失函数

训练完毕后，训练数据将被存储在本地的output文件夹下，使用时加载即可

接下来我们可以编写face_use.py使用这个模型：

  1. import paddle
  2. from face_dataset import FaceData
  3. from face_layers import FaceNet
  4. from PIL import Image
  5. import numpy as np
  6.  
  7. # 加载模型
  8. model = paddle.Model(FaceNet())
  9. model.load('./output/face-compare')
  10.  
  11. print('加载模型完毕')
  12.  
  13. # 打开图片
  14. pil_img1 = Image.open(f'facecap\\003\\30.jpg').convert('RGB').resize((96, 96))
  15. pil_img2 = Image.open(f'facecap\\003\\27.jpg').convert('RGB').resize((96, 96))
  16.  
  17. # 转np数组
  18. np_img1 = np.array(pil_img1, dtype=np.float32).transpose((2, 0, 1)) / 255.0
  19. np_img2 = np.array(pil_img2, dtype=np.float32).transpose((2, 0, 1)) / 255.0
  20.  
  21. # 预测
  22. pred = model.predict_batch((np.array([np_img1], dtype=np.float32), np.array([np_img2], dtype=np.float32)))
  23.  
  24. # 计算距离
  25. euclidean_distance = paddle.norm(paddle.to_tensor([pred[0]]) - paddle.to_tensor([pred[1]]))
  26. print(euclidean_distance.numpy())

这里只以两张相同人的人脸的图片做测试，最后输出：

  1. 加载模型完毕
  2. [0.1978856]

改用两张不同人的人脸做测试，最后输出：

  1. 加载模型完毕
  2. [1.1059165]

可以看到，这个模型的效果还不错。但是经过我的多次测试，发现这个模型还有一定的提升空间。这需要更大的数据集、更深的模型和更多的训练次数

总结

我们使用孪生网络技术，成功实现了人脸对比模型，并有一定的准确性，可以应用于人脸比对等场景。但是，由于数据集、模型和训练次数有限，还难以实现更准确的人脸对比

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/笔触狂放9/article/detail/377161
推荐阅读
相关标签

Copyright © 2003-2013 www.wpsshop.cn 版权所有，并保留所有权利。

  

闽ICP备14008679号