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