本项目实现人脸识别系统。
项目基本思路如下：对于输入的图片，首先通过MTCNN网络进行人脸检测，获取到人脸图片；并使用MTCNN网络检测到的人脸关键点信息通过仿射变换进行人脸对齐；然后使用insightface进行人脸特征提取，比较数据库中的数据，识别出人脸。项目结构如图所示：
图1 人脸识别系统结构
首先需要训练mtcnn网络，识别人脸检测。MTCNN网络的训练在《基于MTCNN算法的人脸检测》中已经实现，这里直接使用训练好的模型即可。对于insightface在《insightface》中已经对其进行理解，
这里需要对insightface进行训练。
本项目使用的环境为：ubuntu16.04+RTX2070SUPER。
2.项目实现流程
2.1数据处理
2.1.1训练数据处理
项目中使用CASIA-Webface数据，下载后的数据有如下文件：
其中，train.idx以及train.rec是用于训练的数据，其余的bin文件都是测试数据集。
首先，创建utils文件夹，里面存放的都是项目使用的公共组件，其中全局的配置在config.py文件中，代码如下：
1 import os 2 3 4 # prepare_data parameters 5 mxdata_dir = "./data" 6 tfrecord_dir = "./data/CASIA.tfrecords" 7 lfw_dir = \'./data/lfw\' 8 lfw_save_dir = \'./data/lfw_face\' 9 eval_dir = \'./data/lfw_face.db\' 10 eval_datasets_self = [\'./data/lfw_face.db\'] 11 eval_datasets = ["./data/lfw.bin", "./data/agedb_30.bin", "./data/calfw.bin", 12 "./data/cfp_ff.bin", "./data/cfp_fp.bin", "./data/cplfw.bin", \'./data/lfw_face.db\'] 13 14 15 # model parameters 16 model_params = {"backbone_type": "resnet_v2_m_50", 17 "out_type": "E", 18 "bn_decay": 0.9, 19 "weight_decay": 0.0005, 20 "keep_prob": 0.4, 21 "embd_size": 512} 22 23 24 # training parameters 25 s = 64.0 26 m = 0.5 27 class_num = 85742 28 lr_steps = [40000, 60000, 80000] 29 lr_values = [0.004, 0.002, 0.0012, 0.0004] 30 momentum = 0.9 31 addrt = "./data/CASIA.tfrecords" 32 model_patht = "./model/Arcface_model" 33 img_size = 112 34 batch_size = 128 35 addr = "../data/CASIA.tfrecords" 36 model_name = "Arcface" 37 train_step = 1000001 38 model_path = "../model/Arcface_model" 39 gpu_num = 2 40 model_save_gap = 30000 41 42 43 # evaluation parameters 44 eval_dropout_flag = False 45 eval_bn_flag = False 46 47 48 # face database parameters 49 custom_dir = \'../data/custom\' 50 arc_model_name = \'Arcface-330000\' 51 arc_model_path = \'./model/Arcface_model/Arcface-330000\' 52 53 base_dir = \'./model/MTCNN_model\' 54 mtcnn_model_path = [os.path.join(base_dir, "Pnet_model/Pnet_model.ckpt-20000"), 55 os.path.join(base_dir, "Rnet_model/Rnet_model.ckpt-40000"), 56 os.path.join(base_dir, "Onet_model/Onet_model.ckpt-40000")] 57 embds_save_dir = "../data/face_db"