一、下载FaceNet源码。
下载地址：facenet源码
二、精简代码。
作者在代码里实现了很多功能，但是对于初学者来说，很多代码是没有必要的，反倒找不到学习这个程序的入口。建议先精简一下代码，便于读懂代码：新建一个文件夹，取名：facenet，把源码中的src文件夹直接拷贝过来。
注：便于大家能够看懂代码，以上两步我已经完成，同时，自己运行程序之后，还对里边的代码做了详细的注释，如果想先了解facenet的源码，强烈建议下载这个，下载地址：facenet精简版
第二唯烂步：下载预训练模型。
facenet提供了两个预训练模型，分别是基于CASIA-WebFace和MS-Celeb-1M人脸库训练的，不过需要去谷歌网盘下载，这里给其中一个模型的百度网盘的链接：链接: 预训练模型百度网盘地址 密码: 12mh
下载完成后，把预训练模型的文件夹拷贝在刚才的文件夹里激山尺。用pycharm打开这个工程文件
第三步：运行人脸比对程序（compare.py）。
facenet可以直接比对两个人脸经过它的网络映射之后的欧氏距离。
-1、在compare.py所在目录下放入要比对的文件1.png和2.png。
-2、运行compare.py文件，但是会报错
这是因为这个程序需要输入参数，在上方的工具栏里选择Run>EditConfigurations ,在Parameters中配置参数：20170512-110547 1.png 2.png。再次运行程序
可以看到，程序会算出这两个图片的差值矩阵
第四步：图片预处理——运行人脸对齐程序（align\align_dataset_mtcnn.py）。
我们可以下载LFW数据集用来测试这个程序，也为后边的训练函数做好数据准备。
下载链接：http://vis-www.cs.umass.edu/lfw/。下载后解压在data文件夹中。
因为程序中神经网络使用的是谷歌的“inception resnet v1”网络模型，这个模型的输入时160*160的图像，而我们下载的LFW数据集是250*250限像素的图像，所以需要进行图片的预处理。
在运行时需要输入的参数：
input_dir:输入图像的文件夹（E:\facenet\data\lfw E:\facenet\data\lfw）
output_dir:输出图像的文件夹（E:\facenet\data\lfw E:\facenet\data\lfw_160）
指定裁剪后图片的大小：--image_size 160 --margin 32 --random_order（如果不指定，默认的裁剪结果是182*182像素的）
比如我的是：E:\facenet\data\lfw E:\facenet\data\lfw_160 --image_size 160 --margin 32 --random_order
如果在pycharm中运行，按照同样的方法配置以上参数
第五步：运行训练程序：（train_tripletloss.py）。
前边已经下载并处理好了LFW的数据集，现在，可以进行训练了。
运行之前，要在train_tripletloss.py中把加载数据的路径改成自己的数据集所在路径
注：train_tripletloss.py和train_softmax.py的区别：这是作者对论文做出的一个延伸，除了使用facenet里提到的train_tripletloss三元组损失函数来训练，还实现了用softmax的训练方法来训练。当然，在样本量很小的明高情况下，用softmax训练会更容易收敛。但是，当训练集中包含大量的不同个体(超过10万)时，最后一层的softmax输出数量就会变得非常大，但是使用train_tripletloss的训练仍然可以正常工作。
这是我写的程序，参照《模式识别》张学工第9章。a1=imread('a1.jpg')
a2=imread('a2.jpg')
b1=imread('b1.jpg')
b2=imread('b2.jpg')
a1=rgb2gray(a1)
a2=rgb2gray(a2)
b1=rgb2gray(b1)
b2=rgb2gray(b2)
figure,imshow(a1)
figure,imshow(a2)
figure,imshow(b1)
figure,imshow(b2)
a1=double(a1)
a2=double(a2)
b1=double(b1)
b2=double(b2)
a1_lie=a1(:)
a2_lie=a2(:)
b1_lie=b1(:)
b2_lie=b2(:)
c=cat(1,a1_lie',a2_lie',b1_lie',b2_lie')
c_mean=mean(c)
X=[a1_lie-c_mean',a2_lie-c_mean',b1_lie-c_mean',b2_lie-c_mean'巧档竖]
R=X'*X % R是4×4的矩阵
[p,q]=eig(R)
u=diag(q) % u是4×1的列向量
u=flipud(u) % flipud(u)实现矩阵的上下翻转， u是4×1的列向量
v=fliplr(p) % fliplr(p)实现矩阵的左右翻转，v是4×4的矩阵
e=zeros(36000,4)
for m=1:3
e(:,m)=X*v(:,m)./(u(m)^(-0.5)) % 参见《模式识别》P226公式9-18
end
p1=zeros(200,180)
p2=zeros(200,180)
p3=zeros(200,180)
for m=1:36000
p1(m)=e(m)
p2(m)=e(m+36000)
p3(m)=e(m+72000)
end
p1=mat2gray(p1)
p2=mat2gray(p2)
p3=mat2gray(p3)
figure,imshow(p1) % 显示第1特征脸
figure,imshow(p2) % 显示第2特征脸
figure,imshow(p3) % 显示第3特征脸
new=c*e(:,1:3) %分孝大别计算4个训练样本分别在第1、第蠢游2、第3、特征脸上的投影
p1=imread('p_test1.jpg')%读入一个测试样本
p1=rgb2gray(p1)
figure,imshow(p1)
p2=double(p1(:))
test=p2'*e(:,1:3)%计算测试样本在3个特征脸上的投影
error=zeros(4,1)
for m=1:4
error(m)=norm((new(m,:)-test))
end
[distence,index]=sort(error) %将列向量error中的数据按从小到大排列
if index(1)==1
result=1
elseif index(1)==2
result=1
elseif index(1)==3
result=2
elseif index(1)==4
result=2
end
result %result为1时表示测试样本属于第1个人，为2时表示测试样本属于第2个人
MATLAB实用源代码1图像的读取及旋转
A=imread('')%读取图像
subplot(2,2,1),imshow(A),title('原始图像')%输出图像
I=rgb2gray（A）
subplot(2,2,2),imshow(A),title('灰度图像')
subplot(2,2,3),imhist(I),title('灰度图像直方图')%输出原图直方图
theta = 30J = imrotate(I,theta)% Try varying the angle, theta.
subplot(2,2,4)， imshow(J),title(‘旋转图像’)
2边缘检测
I=imread('C:\Users\HP\Desktop\平时总结\路飞.jpg')
subplot(2,2,1),imshow(I),title('原始图像')
I1=edge(I,'sobel')
subplot(2,2,2),imshow(I1),title('sobel边缘检测')
I2=edge(I,'prewitt')
subplot(2,2,3),imshow(I2),title（'prewitt边缘检测'）
I3=edge(I,'log')
subplot(2,2,4),imshow(I3),title（'log边缘检测'）
3图像反转
MATLAB 程序实现如下：
I=imread('xian.bmp')
J=double(I)
J=-J+(256-1)%图像反转线性变换
H=uint8(J)
subplot(1,2,1),imshow(I)
subplot(1,2,2),imshow(H)
4.灰度线性变换
MATLAB 程序实现如下：
I=imread('xian.bmp')
subplot(2,2,1),imshow(I)
title('原始昌迅戚谈图像')
axis([50,250,50,200])
axis on%显示坐标系
I1=rgb2gray(I)
subplot(2,2,2),imshow(I1)
title('灰度图像')
axis([50,250,50,200])
axis on %显示坐标系
J=imadjust(I1,[0.1 0.5],[])%局部拉伸，把[0.1 0.5]内的灰度拉伸为[0 1]
subplot(2,2,3),imshow(J)
title('线性变换图像[0.1 0.5]')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
K=imadjust(I1,[0.3 0.7],[])%局部拉伸，把[0.3 0.7]内的灰度拉伸为[0 1]
subplot(2,2,4),imshow(K)
title('线性变换图像[0.3 0.7]')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标耐仔此系
5.非线性变换
MATLAB 程序实现如下：
I=imread('xian.bmp')
I1=rgb2gray(I)
subplot(1,2,1),imshow(I1)
title(' 灰度图像')
axis([50,250,50,200])
grid on%显示网格线
axis on%显示坐标系
J=double(I1)
J=40*(log(J+1))
H=uint8(J)
subplot(1,2,2),imshow(H)
title(' 对数变换图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
4.直方图均衡化
MATLAB 程序实现如下：
I=imread('xian.bmp')
I=rgb2gray(I)
figure
subplot(2,2,1)
imshow(I)
subplot(2,2,2)
imhist(I)
I1=histeq(I)
figure
subplot(2,2,1)
imshow(I1)
subplot(2,2,2)
imhist(I1)
5. 线性平滑滤波器
用MATLAB实现领域平均法抑制噪声程序：
I=imread('xian.bmp')
subplot(231)
imshow(I)
title('原始图像')
I=rgb2gray(I)
I1=imnoise(I,'salt &pepper',0.02)
subplot(232)
imshow(I1)
title(' 添加椒盐噪声的图像')
k1=filter2(fspecial('average',3),I1)/255 %进行3*3模板平滑滤波
k2=filter2(fspecial('average',5),I1)/255 %进行5*5模板平滑滤波k3=filter2(fspecial('average',7),I1)/255 %进行7*7模板平滑滤波
k4=filter2(fspecial('average',9),I1)/255 %进行9*9模板平滑滤波
subplot(233),imshow(k1)title('3*3 模板平滑滤波')
subplot(234),imshow(k2)title('5*5 模板平滑滤波')
subplot(235),imshow(k3)title('7*7 模板平滑滤波')
subplot(236),imshow(k4)title('9*9 模板平滑滤波')
6.中值滤波器
用MATLAB实现中值滤波程序如下：
I=imread('xian.bmp')
I=rgb2gray(I)
J=imnoise(I,'salt&pepper',0.02)
subplot(231),imshow(I)title('原图像')
subplot(232),imshow(J)title('添加椒盐噪声图像')
k1=medfilt2(J) %进行3*3模板中值滤波
k2=medfilt2(J,[5,5]) %进行5*5模板中值滤波
k3=medfilt2(J,[7,7]) %进行7*7模板中值滤波
k4=medfilt2(J,[9,9]) %进行9*9模板中值滤波
subplot(233),imshow(k1)title('3*3模板中值滤波')
subplot(234),imshow(k2)title('5*5模板中值滤波 ')
subplot(235),imshow(k3)title('7*7模板中值滤波')
subplot(236),imshow(k4)title('9*9 模板中值滤波')
7.用Sobel算子和拉普拉斯对图像锐化：
I=imread('xian.bmp')
subplot(2,2,1),imshow(I)
title('原始图像')
axis([50,250,50,200])
grid on%显示网格线
axis on%显示坐标系
I1=im2bw(I)
subplot(2,2,2),imshow(I1)
title('二值图像')
axis([50,250,50,200])
grid on%显示网格线
axis on%显示坐标系
H=fspecial('sobel')%选择sobel算子
J=filter2(H,I1) %卷积运算
subplot(2,2,3),imshow(J)
title('sobel算子锐化图像')
axis([50,250,50,200])
grid on%显示网格线
axis on%显示坐标系
h=[0 1 0,1 -4 1,0 1 0] %拉普拉斯算子
J1=conv2(I1,h,'same')%卷积运算
subplot(2,2,4),imshow(J1)
title('拉普拉斯算子锐化图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
8.梯度算子检测边缘
用 MATLAB实现如下：
I=imread('xian.bmp')
subplot(2,3,1)
imshow(I)
title('原始图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
I1=im2bw(I)
subplot(2,3,2)
imshow(I1)
title('二值图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
I2=edge(I1,'roberts')
figure
subplot(2,3,3)
imshow(I2)
title('roberts算子分割结果')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
I3=edge(I1,'sobel')
subplot(2,3,4)
imshow(I3)
title('sobel算子分割结果')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
I4=edge(I1,'Prewitt')
subplot(2,3,5)
imshow(I4)
title('Prewitt算子分割结果 ')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
9.LOG算子检测边缘
用 MATLAB程序实现如下：
I=imread('xian.bmp')
subplot(2,2,1)
imshow(I)
title('原始图像')
I1=rgb2gray(I)
subplot(2,2,2)
imshow(I1)
title('灰度图像')
I2=edge(I1,'log')
subplot(2,2,3)
imshow(I2)
title('log算子分割结果')
10.Canny算子检测边 缘
用MATLAB程序实现如下：
I=imread('xian.bmp')
subplot(2,2,1)
imshow(I)
title('原始图像')
I1=rgb2gray(I)
subplot(2,2,2)
imshow(I1)
title('灰度图像')
I2=edge(I1,'canny')
subplot(2,2,3)
imshow(I2)
title('canny算子分割结果')
11.边界跟踪 （bwtraceboundary函数）
clc
clear all
I=imread('xian.bmp')
figure
imshow(I)
title('原始图像')
I1=rgb2gray(I) %将彩色图像转化灰度图像
threshold=graythresh(I1) %计算将灰度图像转化为二值图像所需的门限
BW=im2bw(I1, threshold) %将灰度图像转化为二值图像
figure
imshow(BW)
title('二值图像')
dim=size(BW)
col=round(dim(2)/2)-90%计算起始点列坐标
row=find(BW(:,col),1) %计算起始点行坐标
connectivity=8
num_points=180
contour=bwtraceboundary(BW,[row,col],'N',connectivity,num_points)
%提取边界
figure
imshow(I1)
hold on
plot(contour(:,2),contour(:,1), 'g','LineWidth' ,2)
title('边界跟踪图像')
12.Hough变换
I= imread('xian.bmp')
rotI=rgb2gray(I)
subplot(2,2,1)
imshow(rotI)
title('灰度图像')
axis([50,250,50,200])
grid on
axis on
BW=edge(rotI,'prewitt')
subplot(2,2,2)
imshow(BW)
title('prewitt算子边缘检测 后图像')
axis([50,250,50,200])
grid on
axis on
[H,T,R]=hough(BW)
subplot(2,2,3)
imshow(H,[],'XData',T,'YData',R,'InitialMagnification','fit')
title('霍夫变换图')
xlabel('\theta'),ylabel('\rho')
axis on , axis normal, hold on
P=houghpeaks(H,5,'threshold',ceil(0.3*max(H(:))))
x=T(P(:,2))y=R(P(:,1))
plot(x,y,'s','color','white')
lines=houghlines(BW,T,R,P,'FillGap',5,'MinLength',7)
subplot(2,2,4),imshow(rotI)
title('霍夫变换图像检测')
axis([50,250,50,200])
grid on
axis on
hold on
max_len=0
for k=1:length(lines)
xy=[lines(k).point1lines(k).point2]
plot(xy(:,1),xy(:,2),'LineWidth',2,'Color','green')
plot(xy(1,1),xy(1,2),'x','LineWidth',2,'Color','yellow')
plot(xy(2,1),xy(2,2),'x','LineWidth',2,'Color','red')
len=norm(lines(k).point1-lines(k).point2)
if(len>max_len)
max_len=len
xy_long=xy
end
end
plot(xy_long(:,1),xy_long(:,2),'LineWidth',2,'Color','cyan')
13.直方图阈值法
用 MATLAB实现直方图阈值法：
I=imread('xian.bmp')
I1=rgb2gray(I)
figure
subplot(2,2,1)
imshow(I1)
title(' 灰度图像')
axis([50,250,50,200])
grid on%显示网格线
axis on%显示坐标系
[m,n]=size(I1)%测量图像尺寸参数
GP=zeros(1,256)%预创建存放灰度出现概率的向量
for k=0:255
GP(k+1)=length(find(I1==k))/(m*n)%计算每级灰度出现的概率，将其存入GP中相应位置
end
subplot(2,2,2),bar(0:255,GP,'g')%绘制直方图
title('灰度直方图')
xlabel('灰度值')
ylabel(' 出现概率')
I2=im2bw(I,150/255)
subplot(2,2,3),imshow(I2)
title('阈值150的分割图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
I3=im2bw(I,200/255) %
subplot(2,2,4),imshow(I3)
title('阈值200的分割图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
14. 自动阈值法：Otsu法
用MATLAB实现Otsu算法：
clc
clear all
I=imread('xian.bmp')
subplot(1,2,1),imshow(I)
title('原始图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
level=graythresh(I)%确定灰度阈值
BW=im2bw(I,level)
subplot(1,2,2),imshow(BW)
title('Otsu 法阈值分割图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
15.膨胀 *** 作
I=imread('xian.bmp') %载入图像
I1=rgb2gray(I)
subplot(1,2,1)
imshow(I1)
title('灰度图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
se=strel('disk',1) %生成圆形结构元素
I2=imdilate(I1,se)%用生成的结构元素对图像进行膨胀
subplot(1,2,2)
imshow(I2)
title(' 膨胀后图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
16.腐蚀 *** 作
MATLAB 实现腐蚀 *** 作
I=imread('xian.bmp') %载入图像
I1=rgb2gray(I)
subplot(1,2,1)
imshow(I1)
title('灰度图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
se=strel('disk',1) %生成圆形结构元素
I2=imerode(I1,se) %用生成的结构元素对图像进行腐蚀
subplot(1,2,2)
imshow(I2)
title('腐蚀后图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
17.开启和闭合 *** 作
用 MATLAB实现开启和闭合 *** 作
I=imread('xian.bmp') %载入图像
subplot(2,2,1),imshow(I)
title('原始图像')
axis([50,250,50,200])
axis on %显示坐标系
I1=rgb2gray(I)
subplot(2,2,2),imshow(I1)
title('灰度图像')
axis([50,250,50,200])
axis on %显示坐标系
se=strel('disk',1)%采用半径为1的圆作为结构元素
I2=imopen(I1,se)%开启 *** 作
I3=imclose(I1,se) %闭合 *** 作
subplot(2,2,3),imshow(I2)
title('开启运算后图像')
axis([50,250,50,200])
axis on %显示坐标系
subplot(2,2,4),imshow(I3)
title('闭合运算后图像')
axis([50,250,50,200])
axis on %显示坐标系
18.开启和闭合组合 *** 作
I=imread('xian.bmp')%载入图像
subplot(3,2,1),imshow(I)
title('原始图像')
axis([50,250,50,200])
axis on%显示坐标系
I1=rgb2gray(I)
subplot(3,2,2),imshow(I1)
title('灰度图像')
axis([50,250,50,200])
axis on%显示坐标系
se=strel('disk',1)
I2=imopen(I1,se)%开启 *** 作
I3=imclose(I1,se)%闭合 *** 作
subplot(3,2,3),imshow(I2)
title('开启运算后图像')
axis([50,250,50,200])
axis on%显示坐标系
subplot(3,2,4),imshow(I3)
title('闭合运算后图像')
axis([50,250,50,200])
axis on%显示坐标系
se=strel('disk',1)
I4=imopen(I1,se)
I5=imclose(I4,se)
subplot(3,2,5),imshow(I5)%开—闭运算图像
title('开—闭运算图像')
axis([50,250,50,200])
axis on%显示坐标系
I6=imclose(I1,se)
I7=imopen(I6,se)
subplot(3,2,6),imshow(I7)%闭—开运算图像
title('闭—开运算图像')
axis([50,250,50,200])
axis on%显示坐标系
19.形态学边界提取
利用 MATLAB实现如下：
I=imread('xian.bmp')%载入图像
subplot(1,3,1),imshow(I)
title('原始图像')
axis([50,250,50,200])
grid on%显示网格线
axis on%显示坐标系
I1=im2bw(I)
subplot(1,3,2),imshow(I1)
title('二值化图像')
axis([50,250,50,200])
grid on%显示网格线
axis on%显示坐标系
I2=bwperim(I1)%获取区域的周长
subplot(1,3,3),imshow(I2)
title('边界周长的二值图像')
axis([50,250,50,200])
grid on
axis on
20.形态学骨架提取
利用MATLAB实现如下：
I=imread('xian.bmp')
subplot(2,2,1),imshow(I)
title('原始图像')
axis([50,250,50,200])
axis on
I1=im2bw(I)
subplot(2,2,2),imshow(I1)
title('二值图像')
axis([50,250,50,200])
axis on
I2=bwmorph(I1,'skel',1)
subplot(2,2,3),imshow(I2)
title('1次骨架提取')
axis([50,250,50,200])
axis on
I3=bwmorph(I1,'skel',2)
subplot(2,2,4),imshow(I3)
title('2次骨架提取')
axis([50,250,50,200])
axis on
21.直接提取四个顶点坐标
I = imread('xian.bmp')
I = I(:,:,1)
BW=im2bw(I)
figure
imshow(~BW)
[x,y]=getpts
平滑滤波
h=fspecial('average',9)
I_gray=imfilter(I_gray,h,'replicate')%平滑滤波
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）