深度学习人脸识别实验---VGG模型

特别说明：本次实验步骤大部分来源于http://blog.csdn.net/wjmishuai/article/details/50658670

1、caffe环境配置

　　主要参考：《深度学习 21天实战Caffe》

2、VGG人脸识别模型资料（提供论文和以及训练完的人脸模型）

　　http://www.robots.ox.ac.uk/~vgg/software/vgg_face/

3、LMDB数据集的获取

• 数据集划分

  #保存图片的路径    
  PATH=/media/img  
  echo "start..."  
  #遍历文件夹  
  for name in $PATH/webface_img/*;do  
          var=0  
  #遍历文件夹中的图片  
          for file_name in $name/*;do    
              var=$(($var+1));    
              str=$file_name    
              #保存图片路径  
              str=${str#*img}    
              #保存图片lable    
              lable=${str#*/}    
              lable=${lable%%/*}    
              if [ "$var" = "1" ] || [ "$var" = "3" ] || [ "$var" = "5" ]; then    
              #验证集    
              echo $str" "$lable>>/home/gk/val.txt    
              else    
              #测试集    
              echo $str" "$lable>>/home/gk/train.txt    
              fi    
  done    
  done    
  echo "Done."  

  　　

• 转换为LMDB格式

  #保存生成的lmdb的目录    
  EXAMPLE=/media/gk/img
      
  #train.txt和val.txt所在的目录  
  DATA=/home/gk  
      
  #转换图片的工具所在的目录    
  TOOLS=/home/gk/caffe-master/build/tools    
      
  #图片所在的目录  
  TRAIN_DATA_ROOT=/media/gk/img/webface_img  
  VAL_DATA_ROOT=/media/gk/img/webface_img  
      
  # 设置 RESIZE=true 可以把图片resize成想要的尺寸。  
  RESIZE=true  
  if $RESIZE; then  
    RESIZE_HEIGHT=227  
    RESIZE_WIDTH=227  
  else  
    RESIZE_HEIGHT=0  
    RESIZE_WIDTH=0  
  fi  
  
  echo "Creating train lmdb..."  
    
  GLOG_logtostderr=1 $TOOLS/convert_imageset   
      --resize_height=$RESIZE_HEIGHT   
      --resize_width=$RESIZE_WIDTH   
      --shuffle   
      $TRAIN_DATA_ROOT   
      $DATA/train.txt   
      $EXAMPLE/train_lmdb  
    
    
  echo "Creating val lmdb..."  
    
    
  GLOG_logtostderr=1 $TOOLS/convert_imageset   
      --resize_height=$RESIZE_HEIGHT   
      --resize_width=$RESIZE_WIDTH   
      --shuffle   
      $VAL_DATA_ROOT   
      $DATA/val.txt   
      $EXAMPLE/val_lmdb  
    
  echo "Done."  

4、mean文件，计算图像均值

#lmdb格式的文件所在的路径  
EXAMPLE=/media/gk/img/lmdb_webface  
#均值文件保存的路径  
DATA=/media/gk/44CA719BCA718A46    
#转换图片的工具所在的目录   
TOOLS=/home/gk/caffe-master/build/tools    
    
$TOOLS/compute_image_mean $EXAMPLE/train_lmdb     
  $DATA/mean.binaryproto    
    
echo "Done."    

5、模型训练

./build/tools/caffe train --solver=models/bvlc_reference_caffenet/solver.prototxt

• 主要是训练模型参数文件（slover.prototxt）和网络模型结构配置文件（tarin.prototxt）的编写。

6、模型的测试

• 参考：

　　http://nbviewer.jupyter.org/github/BVLC/caffe/tree/master/examples/

　　http://blog.csdn.net/wjmishuai/article/details/50854168

• 主要代码

  //模型加载
  net=caffe.Classifier('/home/gk/caffe-master/examples/VGG_net/deploy.prototxt',  
      '/home/gk/caffe-master/examples/VGG_net/VGG_face.caffemodel') 
  
  def compar_pic(path1,path2):  
      global net  
      #加载验证图片  
      X=read_image(path1)  
      test_num=np.shape(X)[0]  
      #X  作为 模型的输入  
      out = net.forward_all(data = X)  
      #fc7是模型的输出,也就是特征值  
      feature1 = np.float64(out['fc7'])  
      feature1=np.reshape(feature1,(test_num,4096))  
      #加载注册图片  
      X=read_image(path2)  
      #X  作为 模型的输入  
      out = net.forward_all(data=X)  
      #fc7是模型的输出,也就是特征值  
      feature2 = np.float64(out['fc7'])  
      feature2=np.reshape(feature2,(test_num,4096))  
      #求两个特征向量的cos值,并作为是否相似的依据  
      predicts=pw.cosine_similarity(feature1,feature2)  
      return  predicts  
    
  def read_image(filelist):  
    
      averageImg = [129.1863,104.7624,93.5940]  
      X=np.empty((1,3,224,224))  
      word=filelist.split('
  ')  
      filename=word[0]  
      im1=skimage.io.imread(filename,as_grey=False)  
      #归一化  
      image =skimage.transform.resize(im1,(224, 224))*255  
      X[0,0,:,:]=image[:,:,0]-averageImg[0]  
      X[0,1,:,:]=image[:,:,1]-averageImg[1]  
      X[0,2,:,:]=image[:,:,2]-averageImg[2]  
      return

7、模型的微调

　　参考：http://blog.csdn.net/hlx371240/article/details/51388022