前期文章我们分享了opencv的人脸检测

人工智能-OpenCV+Python实现人脸识别

以及dlib的人脸检测与人脸识别

人工智能-Dlib+Python实现人脸识别

通过往期的分享，我们了解到人脸识别的大概过程，主要包括：

1、人脸图片的搜集（原始数据）

2、从图片中识别到人脸

3、人脸数据提取

4、人脸数据保存

5、从图片或者视频中检测到人脸

6、人脸数据提取

7、被识别的人脸与数据库中的数据一一对比，识别出人脸

以上人脸识别过程，存在一定的问题，当人脸原始数据比较大时，数据库中必然存在比较多的人脸数据，当进行人脸识别时，被识别的人脸与数据库中的数据对比时，必然会消耗大量的时间，对人脸实时识别的速度有较大的影响。受CNN卷积神经网络的启发，我们使用神经网络来进行人脸数据的训练，标签是人脸的名字，数据是人脸数据，使用神经网络对人脸数据进行训练，这样当数据比较大时，神经网络识别速度与正确率就越高，大大提高人脸识别的速度与正确率，这样人脸识别的过程便成为如下过程：

1、人脸图片的搜集（原始数据）

2、从图片中识别到人脸

3、人脸数据提取与保存

4、人脸数据与人脸标签的神经网络训练，保存训练模型

5、从图片或者视频中检测到人脸

6、识别到的人脸进行神经网络预测，进行人脸识别

本期介绍人脸数据的提取

1、人脸原始图片的搜集

要进行人脸识别，就要搜集用户的人脸图片，我们从网站上搜集了几个明星的照片来进行本期文章的分享

首先在目录文件下新建一个dataset文件夹，里面放置多个文件夹，每个文件夹便是一个明星的照片，文件夹名称是明星的名字，目录类似如下：

2、设置人脸检测模型与人脸提取嵌入数据模型

人脸检测模型，我们直接使用ResNet-10和SSD算法在caffe上面训练好的模型

人脸数据提取嵌入模型，使用OpenFace的openface_nn4.small2.v1.t7模型，此模型训练在pytorch上，可以直接使用opencv来进行加载

3、初始化图片地址，初始化人脸数据数组与人脸名称标签数组

4、遍历整个dataset目录，进行图片处理

30行提取了文件夹的名称，此名称便是后期需要保存的label值

33-35行，进行了图片的读取以及resize处理

38行计算图片的blob值

43-44行，把图片的blob值放入人脸检测神经网络进行人脸的检测

47行，当在图片中检测到 人脸时，其神经网络的len值会大于0

50行，当检测到人脸时，我们提取人脸的置信度

53行设计人脸置信度为0.5

55-59行，计算人脸在图片中的位置，并提取人脸的尺寸

61-62行，当人脸尺寸较小时 ，我们忽略此人脸信息，选择图片中人脸比较大的人脸

64行，当人脸图片尺寸符合要求时，我们计算人脸的blob值

67-68行，把人脸图片的blob值传递人脸嵌入数据神经网络

71-72行，保存人脸的label与人脸数据到数组中

5、保存人脸数据

当遍历完成后，dataset中的所有的人脸数据便保存在了事先建立的数组中

77行，新建一个字典数据，把人脸的label以及人脸数据保存到本地，方便后期进行神经网络的训练

以上5步便完成了整个人脸的数据采集，当然，若想后期人脸识别的精度较高，需要进行大量的人脸数据搜集

此部分文章是人脸识别的第一部分，人脸数据的搜集与提取，后期我们分享人脸识别系统的神经网络训练与人脸识别