网站建设分为哪三部分,有经验的中山网站建设,医院推广营销方式,wdcp wordpress 伪静态摘要#xff1a;人脸活体检测系统利用视觉方法检测人脸活体对象#xff0c;区分常见虚假人脸#xff0c;以便后续人脸识别#xff0c;提供系统界面记录活体与虚假人脸检测结果。本文详细介绍基于YOLOv5深度学习技术的人脸活体检测系统#xff0c;在介绍算法原理的同时人脸活体检测系统利用视觉方法检测人脸活体对象区分常见虚假人脸以便后续人脸识别提供系统界面记录活体与虚假人脸检测结果。本文详细介绍基于YOLOv5深度学习技术的人脸活体检测系统在介绍算法原理的同时给出Python的实现代码、训练数据集以及PyQt的UI界面。在界面中可以选择各种图片、视频进行检测识别可对图像中存在的多个人脸目标进行识别区分。博文提供了完整的Python代码和使用教程适合新入门的朋友参考完整代码资源文件请转至文末的下载链接。本博文目录如下 文章目录前言1. 效果演示2. 人脸活体数据集及训练下载链接结束语➷点击跳转至文末所有涉及的完整代码文件下载页☇ 基于深度学习的人脸活体检测系统演示与介绍PythonYOLOv5深度学习模型清新界面前言 近年来人脸识别技术落地势头迅猛被广泛应用于公共安全、金融支付、交通出行等领域。人脸识别技术在落地应用过程中也暴露出侵犯隐私、安全风险、过渡收集等问题屡屡成为社会焦点。人脸活体检测的起因是成像传感器在面对纸张打印、视频重放、3D模具等物理呈现的假人脸时无法识别成像的真实性从而假人脸通过人脸识别系统受到非法入侵导致人脸识别系统在金融、支付及商业等应用场景存在局限性这使得人脸活体检测引起了广泛的社会关注。为提升人脸识别的安全性保障客户的业务安全需要在识别前检测是否属于真实人脸即检测当前画面中到底为虚假欺骗的人脸还是真实的人脸为人脸登录、注册等环节增加多层保障。 本系统基于YOLOv5对于图片、视频和摄像头捕获的实时画面可检测人脸属于真实或者虚假情况系统支持结果记录、展示和保存每次检测的结果记录在表格中。对此这里给出博主设计的界面这回界面采用了半透明的UI背景有种科技简约的感觉功能也可以满足图片、视频和摄像头的识别检测希望大家可以喜欢初始界面如下图 检测类别时的界面截图点击图片可放大如下图可识别画面中存在的多张人脸也可开启摄像头或视频检测 详细的功能演示效果参见博主的B站视频或下一节的动图演示觉得不错的朋友敬请点赞、关注加收藏系统UI界面的设计工作量较大界面美化更需仔细雕琢大家有任何建议或意见和可在下方评论交流。 1. 效果演示 我们还是通过动图看一下识别的效果系统主要实现的功能是对图片、视频和摄像头画面中的人脸进行虚假识别识别的结果可视化显示在界面和图像中另外提供多个目标的显示选择功能演示效果如下。
一系统介绍 人脸活体检测系统主要用于日常场景中活体人脸检测区分真实人脸和虚假人脸数目、位置、预测置信度等连接摄像头设备可开启实时检测功能另外对图片、视频等文件中的活体人脸情况也可进行测试和检测登录系统提供用户注册、登录、管理功能训练和调优的模型可有效检测真实人脸模型可选择切换可选择单个目标进行单独显示和标注结果一键保存。
二主要特点 1检测算法采用YOLOv5深度学习模型便捷式训练和切换 2选择图片、视频或摄像头方式检测真实与虚假人脸 3界面基于PyQt5实现结果展示、切换和保存功能 4支持用户登录、注册、管理界面缩放、可视化等功能 5提供训练数据集和代码可重新进行训练
三用户注册登录界面 这里设计了一个登录界面界面还是参考了当前流行的UI设计可以注册账号和密码然后进行登录。 四选择图片识别 系统中可选择图片文件进行识别点击图片选择按钮图标选择图片后显示所有识别的结果可通过下拉选框查看单个结果以便具体判断某一特定目标。本功能的界面展示如下图所示 五视频识别效果展示 对于需要识别一段视频中的多个人脸这里设计了视频选择功能。点击视频按钮可选择待检测的视频系统会自动解析视频逐帧识别多个人脸并将人脸检测的分类和计数结果记录在左下角表格中效果如下图所示 六摄像头检测效果展示 在真实场景中我们往往利用摄像头获取实时画面同时需要对人脸进行活体识别因此本文考虑到此项功能。如下图所示点击摄像头按钮后系统进入准备状态系统显示实时画面并开始检测画面中的人脸活体识别结果展示如下图 2. 人脸活体数据集及训练 这里我们使用的人脸活体识别数据集包含真实与虚假两个类别每张图片除包括类别标签外还有一个标注的物体边框Bounding Box其部分图片及标注如下图所示。 每张图像均提供了图像类标记信息训练数据集具有3609张图片验证集766张测试集145张共计4520张图像部分图片的截图如下图所示。 在深度学习中我们通常通过损失函数下降的曲线来观察模型训练的情况。而YOLOv5训练时主要包含三个方面的损失矩形框损失(box_loss)、置信度损失obj_loss和分类损失(cls_loss)在训练结束后我们也可以在logs目录下找到生成对若干训练过程统计图。下图分别为博主训练人脸活体识别的模型训练图和曲线图。 一般我们会接触到两个指标分别是召回率recall和精度precision两个指标p和r都是简单地从一个角度来判断模型的好坏均是介于0到1之间的数值其中接近于1表示模型的性能越好接近于0表示模型的性能越差为了综合评价目标检测的性能一般采用均值平均密度map来进一步评估模型的好坏。我们通过设定不同的置信度的阈值可以得到在模型在不同的阈值下所计算出的p值和r值一般情况下p值和r值是负相关的绘制出来可以得到如下图所示的曲线其中曲线的面积我们称AP目标检测模型中每种目标可计算出一个AP值对所有的AP值求平均则可以得到模型的mAP值。 在训练完成后得到最佳模型接下来我们将帧图像输入到这个网络进行预测从而得到预测结果预测方法predict.py部分的代码如下所示
def plot_one_box(img, x, colorNone, labelNone, line_thicknessNone):# Plots one bounding box on image imgtl line_thickness or round(0.002 * (img.shape[0] img.shape[1]) / 2) 1 # line/font thicknesscolor color or [random.randint(0, 255) for _ in range(3)]c1, c2 (int(x[0]), int(x[1])), (int(x[2]), int(x[3]))cv2.rectangle(img, c1, c2, color, thicknesstl, lineTypecv2.LINE_AA)if label:tf max(tl - 1, 1) # font thicknesst_size cv2.getTextSize(label, 0, fontScaletl / 3, thicknesstf)[0]c2 c1[0] t_size[0], c1[1] - t_size[1] - 3cv2.rectangle(img, c1, c2, color, -1, cv2.LINE_AA) # filledcv2.putText(img, label, (c1[0], c1[1] - 2), 0, tl / 3, [225, 255, 255], thicknesstf, lineTypecv2.LINE_AA)def predict(img):img torch.from_numpy(img).to(device)img img.half() if half else img.float()img / 255.0if img.ndimension() 3:img img.unsqueeze(0)t1 time_synchronized()pred model(img, augmentFalse)[0]pred non_max_suppression(pred, opt.conf_thres, opt.iou_thres, classesopt.classes,agnosticopt.agnostic_nms)t2 time_synchronized()InferNms round((t2 - t1), 2)return pred, InferNms训练完成就可以进行预测得到预测结果我们便可以将帧图像中的人脸活体框出然后在图片上用opencv绘图操作输出人脸活体的类别及人脸的预测分数。以下是读取一个人脸活体图片并进行检测的脚本首先将图片数据进行预处理后送predict进行检测然后计算标记框的位置并在图中标注出来。
if __name__ __main__:# video_path 0video_path ./UI_rec/test_/人脸活体检测.mp4# 初始化视频流vs cv2.VideoCapture(video_path)(W, H) (None, None)frameIndex 0 # 视频帧数try:prop cv2.CAP_PROP_FRAME_COUNTtotal int(vs.get(prop))# print([INFO] 视频总帧数{}.format(total))# 若读取失败报错退出except:print([INFO] could not determine # of frames in video)print([INFO] no approx. completion time can be provided)total -1fourcc cv2.VideoWriter_fourcc(*XVID)ret, frame vs.read()vw frame.shape[1]vh frame.shape[0]print([INFO] 视频尺寸{} * {}.format(vw, vh))output_video cv2.VideoWriter(./results.avi, fourcc, 20.0, (vw, vh)) # 处理后的视频对象# 遍历视频帧进行检测while True:# 从视频文件中逐帧读取画面(grabbed, image) vs.read()# 若grabbed为空表示视频到达最后一帧退出if not grabbed:print([INFO] 运行结束...)output_video.release()vs.release()exit()# 获取画面长宽if W is None or H is None:(H, W) image.shape[:2]image cv2.resize(image, (850, 500))img0 image.copy()img letterbox(img0, new_shapeimgsz)[0]img np.stack(img, 0)img img[:, :, ::-1].transpose(2, 0, 1) # BGR to RGB, to 3x416x416img np.ascontiguousarray(img)pred, useTime predict(img)det pred[0]p, s, im0 None, , img0if det is not None and len(det): # 如果有检测信息则进入det[:, :4] scale_coords(img.shape[1:], det[:, :4], im0.shape).round() # 把图像缩放至im0的尺寸number_i 0 # 类别预编号detInfo []for *xyxy, conf, cls in reversed(det): # 遍历检测信息c1, c2 (int(xyxy[0]), int(xyxy[1])), (int(xyxy[2]), int(xyxy[3]))# 将检测信息添加到字典中detInfo.append([names[int(cls)], [c1[0], c1[1], c2[0], c2[1]], %.2f % conf])number_i 1 # 编号数1label %s %.2f % (names[int(cls)], conf)# 画出检测到的目标物plot_one_box(image, xyxy, labellabel, colorcolors[int(cls)])# 实时显示检测画面cv2.imshow(Stream, image)image cv2.resize(image, (vw, vh))output_video.write(image) # 保存标记后的视频if cv2.waitKey(1) 0xFF ord(q):break# print(FPS:{}.format(int(0.6/(end-start))))frameIndex 1执行得到的结果如下图所示图中人脸的种类和置信度值都标注出来了预测速度较快。基于此模型我们可以将其设计成一个带有界面的系统在界面上选择图片、视频或摄像头然后调用模型进行检测。博主对整个系统进行了详细测试最终开发出一版流畅得到清新界面就是博文演示部分的展示完整的UI界面、测试图片视频、代码文件以及Python离线依赖包方便安装运行也可自行配置环境均已打包上传感兴趣的朋友可以通过下载链接获取。 下载链接 若您想获得博文中涉及的实现完整全部程序文件包括测试图片、视频py, UI文件等如下图这里已打包上传至博主的面包多平台见可参考博客与视频已将所有涉及的文件同时打包到里面点击即可运行完整文件截图如下 在文件夹下的资源显示如下下面的链接中也给出了Python的离线依赖包读者可在正确安装Anaconda和Pycharm软件后复制离线依赖包至项目目录下进行安装离线依赖的使用详细演示也可见本人B站视频win11从头安装软件和配置环境运行深度学习项目、Win10中使用pycharm和anaconda进行python环境配置教程。 注意该代码采用PycharmPython3.8开发经过测试能成功运行运行界面的主程序为runMain.py和LoginUI.py测试图片脚本可运行testPicture.py测试视频脚本可运行testVideo.py。为确保程序顺利运行请按照requirements.txt配置Python依赖包的版本。Python版本3.8请勿使用其他版本详见requirements.txt文件
完整资源中包含数据集及训练代码环境配置与界面中文字、图片、logo等的修改方法请见视频项目完整文件下载请见参考博客文章里面或参考视频的简介处给出➷➷➷
参考博客文章https://zhuanlan.zhihu.com/p/614856458
参考视频演示https://www.bilibili.com/video/BV1jg4y147GD/
离线依赖库下载链接https://pan.baidu.com/s/1hW9z9ofV1FRSezTSj59JSg?pwdoy4n 提取码oy4n 界面中文字、图标和背景图修改方法 在Qt Designer中可以彻底修改界面的各个控件及设置然后将ui文件转换为py文件即可调用和显示界面。如果只需要修改界面中的文字、图标和背景图的可以直接在ConfigUI.config文件中修改步骤如下 1打开UI_rec/tools/ConfigUI.config文件若乱码请选择GBK编码打开。 2如需修改界面文字只要选中要改的字符替换成自己的就好。 3如需修改背景、图标等只需修改图片的路径。例如原文件中的背景图设置如下
mainWindow :/images/icons/back-image.png可修改为自己的名为background2.png图片位置在UI_rec/icons/文件夹中可将该项设置如下即可修改背景图
mainWindow ./icons/background2.png结束语 由于博主能力有限博文中提及的方法即使经过试验也难免会有疏漏之处。希望您能热心指出其中的错误以便下次修改时能以一个更完美更严谨的样子呈现在大家面前。同时如果有更好的实现方法也请您不吝赐教。
