深度学习人脸识别实验---VGG模型

特别说明：本次实验步骤大部分来源于http://blog.csdn.net/wjmishuai/article/details/50658670

1、caffe环境配置

　　主要参考：《深度学习 21天实战Caffe》

2、VGG人脸识别模型资料（提供论文和以及训练完的人脸模型）

　　http://www.robots.ox.ac.uk/~vgg/software/vgg_face/

3、LMDB数据集的获取

• 数据集划分

  #保存图片的路径
  PATH=/media/img
  echo "start..."
  #遍历文件夹
  for name in $PATH/webface_img/*;do
          var=0
  #遍历文件夹中的图片
          for file_name in $name/*;do
              var=$(($var+1));
              str=$file_name
              #保存图片路径
              str=${str#*img}
              #保存图片lable
              lable=${str#*/}
              lable=${lable%%/*}
              if [ "$var" = "1" ] || [ "$var" = "3" ] || [ "$var" = "5" ]; then
              #验证集
              echo $str" "$lable>>/home/gk/val.txt
              else
              #测试集
              echo $str" "$lable>>/home/gk/train.txt
              fi
  done
  done
  echo "Done."  

  　　

• 转换为LMDB格式

  #保存生成的lmdb的目录
  EXAMPLE=/media/gk/img
  
  #train.txt和val.txt所在的目录
  DATA=/home/gk  
  
  #转换图片的工具所在的目录
  TOOLS=/home/gk/caffe-master/build/tools    
  
  #图片所在的目录
  TRAIN_DATA_ROOT=/media/gk/img/webface_img
  VAL_DATA_ROOT=/media/gk/img/webface_img  
  
  # 设置 RESIZE=true 可以把图片resize成想要的尺寸。
  RESIZE=true
  if $RESIZE; then
    RESIZE_HEIGHT=227
    RESIZE_WIDTH=227
  else
    RESIZE_HEIGHT=0
    RESIZE_WIDTH=0
  fi  
  
  echo "Creating train lmdb..."  
  
  GLOG_logtostderr=1 $TOOLS/convert_imageset \
      --resize_height=$RESIZE_HEIGHT \
      --resize_width=$RESIZE_WIDTH \
      --shuffle \
      $TRAIN_DATA_ROOT \
      $DATA/train.txt \
      $EXAMPLE/train_lmdb  
  
  echo "Creating val lmdb..."  
  
  GLOG_logtostderr=1 $TOOLS/convert_imageset \
      --resize_height=$RESIZE_HEIGHT \
      --resize_width=$RESIZE_WIDTH \
      --shuffle \
      $VAL_DATA_ROOT \
      $DATA/val.txt \
      $EXAMPLE/val_lmdb  
  
  echo "Done."  

4、mean文件，计算图像均值

#lmdb格式的文件所在的路径
EXAMPLE=/media/gk/img/lmdb_webface
#均值文件保存的路径
DATA=/media/gk/44CA719BCA718A46
#转换图片的工具所在的目录
TOOLS=/home/gk/caffe-master/build/tools    

$TOOLS/compute_image_mean $EXAMPLE/train_lmdb \
  $DATA/mean.binaryproto    

echo "Done."    

5、模型训练

./build/tools/caffe train --solver=models/bvlc_reference_caffenet/solver.prototxt

• 主要是训练模型参数文件（slover.prototxt）和网络模型结构配置文件（tarin.prototxt）的编写。

6、模型的测试

• 参考：

　　http://nbviewer.jupyter.org/github/BVLC/caffe/tree/master/examples/

　　http://blog.csdn.net/wjmishuai/article/details/50854168

• 主要代码

  //模型加载
  net=caffe.Classifier(‘/home/gk/caffe-master/examples/VGG_net/deploy.prototxt‘,
      ‘/home/gk/caffe-master/examples/VGG_net/VGG_face.caffemodel‘) 
  
  def compar_pic(path1,path2):
      global net
      #加载验证图片
      X=read_image(path1)
      test_num=np.shape(X)[0]
      #X  作为 模型的输入
      out = net.forward_all(data = X)
      #fc7是模型的输出,也就是特征值
      feature1 = np.float64(out[‘fc7‘])
      feature1=np.reshape(feature1,(test_num,4096))
      #加载注册图片
      X=read_image(path2)
      #X  作为 模型的输入
      out = net.forward_all(data=X)
      #fc7是模型的输出,也就是特征值
      feature2 = np.float64(out[‘fc7‘])
      feature2=np.reshape(feature2,(test_num,4096))
      #求两个特征向量的cos值,并作为是否相似的依据
      predicts=pw.cosine_similarity(feature1,feature2)
      return  predicts  
  
  def read_image(filelist):  
  
      averageImg = [129.1863,104.7624,93.5940]
      X=np.empty((1,3,224,224))
      word=filelist.split(‘\n‘)
      filename=word[0]
      im1=skimage.io.imread(filename,as_grey=False)
      #归一化
      image =skimage.transform.resize(im1,(224, 224))*255
      X[0,0,:,:]=image[:,:,0]-averageImg[0]
      X[0,1,:,:]=image[:,:,1]-averageImg[1]
      X[0,2,:,:]=image[:,:,2]-averageImg[2]
      return

7、模型的微调

　　参考：http://blog.csdn.net/hlx371240/article/details/51388022