写在后面

本文是对 Github 我的项目 Masked-Face-Recognition-using-Facenet 的实际。

实际步骤

一、收集图像

1. 下载并解压 Masked-Face-Recognition-using-Facenet 我的项目。

2. 收集图片。这些图片的要求如下：

   • A. 非蒙面人脸图像
   • B. 带眼镜或护目镜的非蒙面人脸图像
   • C. 用任何类型的口罩（如 N -95、布或内科口罩）蒙面
   • D. 用任何类型的口罩如 N -95、布或内科口罩以及眼镜或护目镜遮住脸。
   • E. 用手帕或任何布或围巾遮住脸。
   • F. 戴眼镜或护目镜时，用手帕或任何布或围巾遮住脸。

3. 新建 dataset 文件夹。在 dataset 文件夹中新建若干文件夹，这些文件夹以你要辨认的人名来命名。在这些文件夹中放入用户口罩图片。目录格局如图所示：
   你也能够不命名为 dataset，批改embeddings_generator.py 的base_dir变量即可（见下）。

   二、生成 embeddings

4. 关上谷歌硬盘，关上 model 文件夹，点击右键下载facenet_keras.h5。

   • 谷歌硬盘不须要科 / 学 / 上 / 网，这里提供一个谷歌拜访助手：google-access-helper2021，2021/9/ 7 亲测“红”可用。

5. 下载结束后，将 facenet_keras.h5 重命名为 facenet.h5 并放到该目录下。

   • 你也能够不命名为 facenet.h5，批改embeddings_generator.py 的第 20 行 model_emb 变量即可：

     # 批改前：model_emb=load_model('facenet.h5')
     
     #批改后：model_emb=load_model('facenet_keras.h5')
     或
     model_emb=load_model('下载的 h5 文件的相应门路')

6. 关上 embeddings_generator.py 这一文件，批改第 6 行为你的数据集目录。
   如果你将图片放在 dataset\ 人名 目录下，则批改为 base_dir=r'dataset' 即可。

   • 例如，我将人脸照片放在 \Masked-Face-Recognition-using-Facenet-main\dataset\zsq 这一文件夹中，则我批改第 6 行为：

     # 批改前：base_dir=r'Location to the direcotory that contain directories with images of persons to be trained.'
     
     #批改后
     base_dir=r'dataset'

7. 在命令行应用如下命令装置 MTCNN 包：

   pip install mtcnn

8. 运行embeddings_generator.py。如果产生以下报错可批改程序：

   • 如果报错

     File "E:\Masked-Face-Recognition-using-Facenet-main\Masked-Face-Recognition-using-Facenet-main\embeddings_generator.py", line 50, in load
     y.append(img.split('/')[-2])
     IndexError: list index out of range

     则能够将 y.append(img.split('/')[-2]) 批改为：

     # 批改前：y.append(img.split('/')[-2])
     
     #批改后
     y.append(img.split('\\')[-2])

   • 如果报错

     File "E:\Masked-Face-Recognition-using-Facenet-main\Masked-Face-Recognition-using-Facenet-main\embeddings_generator.py", line 72, in <module>
     trainx_embed=load_embeddings(trainx_pix)
     NameError: name 'trainx_pix' is not defined

     则能够将 trainx_embed=load_embeddings(trainx_pix) 批改为：

     # 批改前：trainx_embed=load_embeddings(trainx_pix)
     
     #批改后
     trainx_embed=load_embeddings(trainx)

   运行embeddings_generator.py。运行结束如图：

   三、人脸识别

9. 在 cmd 命令行应用如下命令装置 streamlit 包：

   pip install streamlit

   如果太慢，也可参考 streamlit 装置踩坑应用如下命令：

   pip install -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com streamlit
   

   装置实现后，在命令行应用 streamlit hello 命令进行测试，在 Email: 处按回车即可。如果呈现下图则 streamlit 装置胜利：CTRL+C退出测试。

10. 在该我的项目文件的目录中关上 cmd 命令行，执行以下命令：

    streamlit run face_recognizer.py

11. 执行命令后，浏览器会主动关上 http://localhost:8501/ 这一 Streamlit 我的项目。
    期待若干秒、网页加载结束后，点击 Browse files 能够上传你要辨认的图片：
12. 上传完毕后，期待若干秒，呈现辨认的图片：

参考

Masked-Face-Recognition-using-Facenet
google-access-helper2021
streamlit 装置踩坑