實(shí)操教程｜人臉識(shí)別模型的動(dòng)手實(shí)踐！

人臉識(shí)別已經(jīng)成為生活中越來(lái)越常見(jiàn)的技術(shù)，其中最關(guān)鍵的問(wèn)題就是安全，而活體檢測(cè)技術(shù)又是保證人臉識(shí)別安全性的一個(gè)重要手段，本文將向大家簡(jiǎn)單介紹活體檢測(cè)，并動(dòng)手完成一個(gè)活體檢測(cè)模型的訓(xùn)練，最終實(shí)現(xiàn)對(duì)攝像頭或者視頻中的活體進(jìn)行識(shí)別。

人臉識(shí)別的技術(shù)關(guān)鍵——活體檢測(cè)

一般提到人臉識(shí)別技術(shù)，即指人臉比對(duì)或人臉匹配，即將待識(shí)別的人臉和系統(tǒng)中已經(jīng)提前錄入的人臉信息（如身份證照片）進(jìn)行特征的比對(duì)，而在使用神經(jīng)網(wǎng)絡(luò)提取特征進(jìn)行比對(duì)之前，需要首先對(duì)識(shí)別到的人臉進(jìn)行活體檢測(cè)，以確定攝像頭前的人是個(gè)活人。因此整個(gè)人臉識(shí)別過(guò)程一般為（并非一定要這樣）：人臉檢測(cè) -> 關(guān)鍵點(diǎn)檢測(cè) -> 人臉對(duì)齊 -> 活體檢測(cè) -> 人臉特征提取 -> 人臉比對(duì)。

模型簡(jiǎn)介

本項(xiàng)目使用基于resnet18的二分類(lèi)模型對(duì)RGB圖像進(jìn)行活體、非活體的分類(lèi)識(shí)別， 網(wǎng)絡(luò)結(jié)構(gòu)如圖所示，有關(guān)于resnet的知識(shí)可自行查閱。

數(shù)據(jù)集簡(jiǎn)介

本項(xiàng)目數(shù)據(jù)集使用中科院大型人臉活體檢測(cè)數(shù)據(jù)庫(kù)CASIA-SURF，這是一個(gè)包含大量不同年齡段人的多模態(tài)(RGB, Depth，IR)的數(shù)據(jù)集，其中包含大量真實(shí)活體人臉樣本，也包含了對(duì)應(yīng)的攻擊樣本（數(shù)據(jù)集已上傳至開(kāi)源數(shù)據(jù)平臺(tái)Graviti）。如圖所示，圖例中的攻擊樣本是以打印出來(lái)的人臉作為攻擊樣本，或者露出五官中的部分結(jié)合打印人臉一起作為攻擊樣本，當(dāng)然還有別的攻擊樣本制作的形式。因此模型訓(xùn)練的目標(biāo)就是要在遇到這些攻擊樣本的時(shí)候能夠正確識(shí)別出它不是一個(gè)活體。

其中，RGB表示RGB圖片，Depth表示深度圖，IR表示近紅外圖。三個(gè)模態(tài)的數(shù)據(jù)可以都用來(lái)訓(xùn)練，以使模型適應(yīng)不同圖像采集設(shè)備的需求。為了簡(jiǎn)單，本項(xiàng)目?jī)H使用RGB圖像訓(xùn)練。數(shù)據(jù)集目錄結(jié)構(gòu)如圖所示：

代碼簡(jiǎn)介

項(xiàng)目環(huán)境：python 3.7.4 、pytorch 1.4.0、其余的opencv、numpy啥的看缺啥裝啥吧。。。項(xiàng)目代碼目錄如圖所示（代碼地址見(jiàn)文末）：

其中，alive_detect為自定義的文件夾，里面存放了一些測(cè)試視頻，人臉檢測(cè)模型權(quán)重等等文件。loss文件夾內(nèi)存放了一些損失函數(shù)的實(shí)現(xiàn) model文件夾內(nèi)存放了一些模型的實(shí)現(xiàn)models文件夾是模型訓(xùn)練過(guò)程中權(quán)重的保存路徑 process文件夾內(nèi)存放了一些關(guān)于數(shù)據(jù)處理相關(guān)的代碼metric.py實(shí)現(xiàn)了一些指標(biāo)的計(jì)算utils.py實(shí)現(xiàn)了一些訓(xùn)練或測(cè)試用到的小功能函數(shù)train_CyclicLR.py是訓(xùn)練代碼，執(zhí)行這個(gè)代碼即可啟動(dòng)訓(xùn)練train_Fusion_CyclicLR.py是多模態(tài)數(shù)據(jù)的訓(xùn)練代碼。即同時(shí)使用上述數(shù)據(jù)集中的三種模態(tài)的數(shù)據(jù)進(jìn)行訓(xùn)練face_recognize.py是使用訓(xùn)練好的模型進(jìn)行活體檢測(cè)測(cè)試的代碼項(xiàng)目代碼中給出了訓(xùn)練好的模型權(quán)重示例，models/baseline_color_32/checkpoint/global_min_acer_model.pth。執(zhí)行腳本face_recognize.py，即可調(diào)用訓(xùn)練好的模型完成活體檢測(cè)。

訓(xùn)練過(guò)程示例

以resnet18模型為例，使用數(shù)據(jù)集中的RGB圖片進(jìn)行訓(xùn)練，輸入模型尺寸大小為32。

開(kāi)始訓(xùn)練：

cd alive_recognize_project#開(kāi)啟訓(xùn)練#--model baseline , 以resnet18為例，可選其他模型，自行探索#--image_size 32 , 輸入活體檢測(cè)模型的人臉圖像大小為32#--cycle_num 5,訓(xùn)練5個(gè)cycle周期#--cycle_inter 50, 每個(gè)cycle周期內(nèi)訓(xùn)練50個(gè)epoch#--mode train , 開(kāi)啟訓(xùn)練模型python train_CyclicLR.py --model baseline --image_mode color --image_size 32 --cycle_num 5 --cycle_inter 50 --mode train 

對(duì)cycle_num和cycle_inter參數(shù)的說(shuō)明，本項(xiàng)目學(xué)習(xí)率衰減策略采用周期性余弦衰減，cycle_num表示周期數(shù)，cycle_inter表示一個(gè)周期內(nèi)訓(xùn)練的epoch數(shù)，即每經(jīng)過(guò)cycle_inter個(gè)epoch，學(xué)習(xí)率從初始值下降到最低值，如下圖所示。

然后就開(kāi)始訓(xùn)練了，期間會(huì)打印出一些訓(xùn)練過(guò)程中的loss、acc、acer等信息，如需要?jiǎng)e的日志信息可自行修改。

訓(xùn)練完成后的模型保存在路徑models/baseline_color_32/checkpoint下，默認(rèn)保存每個(gè)周期內(nèi)最低acer模型、最后一個(gè)epoch訓(xùn)練結(jié)束的模型和全局最低acer模型，如下圖所示。

在驗(yàn)證集上測(cè)試模型

python train_CyclicLR.py --mode infer_test --model baseline --image_mode color --image_size 32 --batch_size 8

驗(yàn)證集上結(jié)果，ACER=0.0358

模型效果測(cè)試

調(diào)用訓(xùn)練好的模型，對(duì)視頻中的人臉進(jìn)行活體檢測(cè)。（也可以檢測(cè)攝像頭前的自己，本項(xiàng)目以視頻文件為例）測(cè)試腳本face_recognize.py參數(shù)：--alive_detect_model：活體檢測(cè)模型權(quán)重--key_point_detect_model：關(guān)鍵點(diǎn)檢測(cè)模型，路徑為alive_detect/shape_predictor_68_face_landmarks.dat--detect_vidio：待檢測(cè)的視頻片段存放路徑--detect_res：視頻片段的檢測(cè)結(jié)果存放路徑

測(cè)試代碼示例：

python face_recognize.py --alive_detect_model models/baseline_color_32/checkpoint/global_min_acer_model.pth --key_point_detect_model alive_detect/shape_predictor_68_face_landmarks.dat --detect_vidio alive_detect/video_demo.mov --detect_res alive_detect/res_video_demo.avi

注：--detect_res保存的視頻文件默認(rèn)avi格式，若需要保存其他格式可以自行修改代碼。測(cè)試結(jié)果示例

擴(kuò)展

1. 關(guān)于模型訓(xùn)練，可繼續(xù)調(diào)參以期在驗(yàn)證集獲得更好的效果。
2. 關(guān)于數(shù)據(jù)集，可以使用全部三種模態(tài)的數(shù)據(jù)，使用FaceBagNet模型進(jìn)行多模態(tài)人臉活體檢測(cè)模型的訓(xùn)練。已經(jīng)給出相關(guān)代碼，可自行查看。
   
   

數(shù)據(jù)集獲取：https://gas.graviti.cn/dataset/datawhale/CASIA-SURF

代碼地址：https://github.com/ZJUTSong/Alive_Detect