zoukankan      html  css  js  c++  java
  • 使用OpenFace进行人脸识别(2)

    http://blog.csdn.net/u011531010/article/details/52270023

    http://www.vccoo.com/v/2ed520

    第一步

    在 openface 文件中建立一个名为./training-images/的文件夹

    mkdir training-images

    第二步

    为你想识别的每个人建立一个子文件夹。例如:我找了7组图像,每组为不同的明星,每组明星人脸图像大概有10个


    第三步

    然后把这几个训练文件夹放到openface/tarin-images。图片的格式无所谓。确保每张图像上只出现一张脸。不需要裁剪脸部周围的区域。OpenFace 会自己裁剪。

    第四步

    从这个 OpenFace 的根目录中运行这个 OpenFace 脚本。

    首先,进行姿势检测和校准:

    ./util/align-dlib.py ./training-images/ align outerEyesAndNose ./aligned-images/ --size 96

    这将创建一个新./aligned-images/子文件夹,带有每一个测试图像的裁剪过的并且对齐的版本。

     

    第二,从对齐的图像中生成表征:

    ./batch-represent/main.lua -outDir ./generated-embeddings/ -data ./aligned-images/

    运行完后,这个./aligned-images/子文件夹会包含一个带有每张图像的嵌入的  csv 文件。

    第三,训练自己的面部检测模型:

    ./demos/classifier.py train ./generated-embeddings/

    这将产生名为./generated-embeddings/classifier.pkl的新文件名。这个文件有你将用来识别新面部的 SVM 模型。

    到了这,你应该有一个可用的面部识别器。


    第五步:识别面部!

    mkdir ./test-images

    放入明星测试图像,这些图像保证没有参与过training

     测试训练的人像种类

    获取一张未知脸的新照片。把它像这样传递给分类器脚本:

    ./demos/classifier.py infer ./generated-embeddings/classifier.pkl ./test-images/liangchaowei-test.jpg

    我们会得到一个看起来像这样的预测:置信度在0.6以上

    === ./test-images/liangchaowei-test.jpg ===
    Predict liangchaowei with 0.77 confidence.

    === ./test-images/zhourunfa-test.jpg ===
    Predict zhourunfa with 0.62 confidence.

    测试没有训练的人像种类: 置信度在0.5以下


    === ./test-images/fanbinbin-test.jpg ===
    Predict zhouxun with 0.50 confidence.

    === ./test-images/huge-test.jpg ===
    Predict liudehua with 0.34 confidence.


  • 相关阅读:
    从RUU中提取HTC官方ROM
    AndroidRom制作(一)——Rom结构介绍、精简和内置、一般刷机过程
    写在"跳槽旺季"
    从团宝危机谈行业洗牌
    Session和Cookie的关系
    Django常用模板标签
    ASP.NET论坛调查
    SourceForge支持新的版本控制系统
    ORACLE传奇
    Linked Data下一代WWW
  • 原文地址:https://www.cnblogs.com/adong7639/p/7701338.html
Copyright © 2011-2022 走看看