from：?http://blog.csdn.net/chenriwei2/article/details/49500687

導言

深度學習深似海、尤其是在圖像人臉識別領域，最近幾年的頂會和頂刊常常會出現沒有太多的理論創新的文章，但是效果擺在那邊。

DeepID是深度學習方法進行人臉識別中的一個簡單，卻高效的一個網絡模型，其結構的特點可以概括為兩句話：1、訓練一個多個人臉的分類器，當訓練好之后，就可以把待測試圖像放入網絡中進行提取特征，2對于提取到的特征，然后就是利用其它的比較方法進行度量。具體的論文可以參照我的一篇論文筆記：【深度學習論文筆記】Deep Learning Face Representation from Predicting 10,000 Classes

首先我們完全參考論文的方法用Caffe設計一個網絡結構：

其拓撲圖如圖1所示：

?
圖1：DeepID的網絡結構，圖像比較大，需要放大才能看的清楚

網絡定義文件：

略

2. 數據選擇

訓練一個好的深度模型，一個好的訓練數據是必不可少的。針對人臉識別的數據，目前公開的數據也有很多：比如最近的MegaFace、港大的Celbra A、中科研的WebFace 等等。在這里，我選擇WebFace人臉數據庫作為訓練（人臉庫不是很干凈，噪聲較多），圖像公共50萬張左右，共10575個人，但是數據不平衡。

要評測一個算法的性能，需要找一個公平的比對數據庫來評測，在人臉驗證中，LFW數據庫無疑是最好的選擇。在lfw評測中，給出6000千對人臉圖像對進行人匹配。

3. 數據處理

訓練數據和測試數據都選擇好之后，就需要進行數據處理了，為了提供較好的識別準確度，我采用了訓練數據和測試數據統一的預處理方法（雖然LFW上有提供已經預處理過的人臉圖像，但是預處理的具體參數還是未知的），測試數據和訓練數據都采樣相同的人臉檢測和對齊方法。

主要分為3個步驟：?
1，人臉檢測?
2，人臉特征點檢測?
3、人臉的對齊

這三個步驟可以用我做的一個小工具：FaceTools?來一鍵完成。

具體來說，需要選擇一個標準的人臉圖像作為對齊的基準，我挑選一位帥哥當標準圖像：?
如圖：?

訓練數據通過對齊后是這樣的：?

LFW測試數據通過對齊后是這樣的：?

4.數據轉換

圖像處理好之后，需要將其轉化為Caffe 可以接受的格式。雖然Caffe支持直接讀圖像文件的格式進行訓練，但是這種方式磁盤IO會比較的大，所以我這里不采用圖像列表的方式，而是將訓練和驗證圖片都轉化為LMDB的格式處理。

4.1 劃分訓練集驗證集

劃分訓練集和驗證集（我采樣的是9：1的比例）?
腳本如下：

略

4.2 數據轉換

再調用Caffe 提供的轉化函數：?
腳本如下：

略

這樣之后，訓練的數據就準備好了。

訓練網絡

上面的這些步驟之后，數據就已經處理好了，現在需要指定網絡的超參數：

具體超參數設置如下：

略

訓練的時候，可以查看學習曲線：?

6.LFW上測試

LFW上，提供了6000對的人臉圖像對來作為評測數據，由于我采用的是自己選的人臉檢測和對齊方法，所以有些人臉在我的預處理里面丟失了（檢測不到），為了簡單的處理這種情況，在提特征的時候，沒有檢測到的圖像就用原來的圖像去替代。

略

然后進行人臉的比對

略

結果ROC曲線：?

通過選擇合適的腳本，得到的準確度為：0.826333333333, 有點低。

7.結果分析

實驗的結果沒有理想中的那么好，主要的原因分為幾個：?
1、數據集不夠好：有較多的噪聲數據?
2、數據集合不平衡：每個人的圖片個數從幾十張到幾百張不等。?
3,、網絡結構沒優化：原始的DeepID的大小為：48*48，而我選擇的人臉圖像大小為64*64，網絡結構卻沒有相對應的調整。（主要影響在于全連接層的個數太多了）

總結

以上是生活随笔為你收集整理的【Caffe实践】基于Caffe的人脸识别实现的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。