购物网站建设技术难点,四川建设学习网,个人博客网站怎么做,最适合seo的网站源码目录
一、如何实现CNN人脸识别
1、CNN核心概念
1#xff09;卷积层
2#xff09;池化层
3#xff09;激活函数
4#xff09;全连接层
2、步骤
1#xff09;加载预训练的人脸识别模型
2#xff09;读取图像并检测人脸
3#xff09;提取人脸特征向量
4#xf…目录
一、如何实现CNN人脸识别
1、CNN核心概念
1卷积层
2池化层
3激活函数
4全连接层
2、步骤
1加载预训练的人脸识别模型
2读取图像并检测人脸
3提取人脸特征向量
4比较相似度
二、案例实现
1、完整代码
运行结果 一、如何实现CNN人脸识别
1、CNN核心概念 1卷积层 卷积层是CNN的核心组成部分之一它通过应用一组卷积核也称为滤波器在输入图像上滑动提取图像的局部特征。每个卷积核会对图像进行卷积操作得到一个输出特征图。 2池化层 池化层用于对卷积层输出的特征图进行下采样减少特征图的尺寸和参数数量。常见的池化操作有最大值池化Max Pooling和平均值池化Average Pooling。 3激活函数 在卷积层或全连接层之后通常使用非线性激活函数来引入非线性关系。常见的激活函数有ReLU函数、Sigmoid函数和Tanh函数等。 4全连接层 全连接层将前面的卷积层或池化层输出的特征图展平并与相邻层的所有神经元进行全连接操作。它的作用是将提取到的特征进行分类或回归预测。 2、步骤 1加载预训练的人脸识别模型 Dlib提供了一个预训练的人脸识别模型可以在下载并安装Dlib库后找到。 2读取图像并检测人脸 使用Dlib库提供的人脸检测器来检测输入图像中的人脸并将每个检测到的人脸提取为一个矩形框。 3提取人脸特征向量 使用CNN模型对每个检测到的人脸图像进行特征提取得到一个固定长度的向量表示每个人脸。 4比较相似度 使用提取的人脸特征向量来比较不同人脸之间的相似度。可以使用欧氏距离或余弦相似度等度量方法来计算相似度分数。 二、案例实现
1、完整代码
import dlib
import cv2# opencv可以直接通过retnet来读取神经网络。dlib也可以的。
cnn_face_detector dlib.cnn_face_detection_model_v1(mmod_human_face_detector.dat) # 加载预训练的卷积神经网络模型文件内包含检测人脸所需的权重和配置img cv2.imread(people3.png) # 读取待识别人脸图片faces cnn_face_detector(img,1) # 调用卷积神经网络检测模型对img图像检测人脸1表示上采样次数为1for d in faces: # 遍历识别到的每一个人脸# 计算每个人脸的位置rect d.rect # 获取当前人脸的矩形框对象返回两个坐标左上右下left rect.left() # 左边界x坐标top rect.top() # 上边界y坐标right rect.right() # 右边界xbottom rect.bottom() # 下边界y# 绘制人脸对应的矩形框pt1:(left, top)cv2.rectangle(img,(left,top),(right,bottom),(0,255,0), 3)cv2.imshow(result,img)
k cv2.waitKey()
cv2.destroyAllWindows()运行结果
