人臉識別模型的動手實踐！
人臉識別已經(jīng)成為生活中越來越常見的技術(shù)，其中最關(guān)鍵的問題就是安全，而活體檢測技術(shù)又是保證人臉識別安全性的一個重要手段，本文將向大家簡單介紹活體檢測，并動手完成一個活體檢測模型的訓(xùn)練，最終實現(xiàn)對攝像頭或者視頻中的活體進行識別。
我們可以達(dá)成的效果
人臉識別的技術(shù)關(guān)鍵——活體檢測
一般提到人臉識別技術(shù)，即指人臉比對或人臉匹配，即將待識別的人臉和系統(tǒng)中已經(jīng)提前錄入的人臉信息（如身份證照片）進行特征的比對，而在使用神經(jīng)網(wǎng)絡(luò)提取特征進行比對之前，需要首先對識別到的人臉進行活體檢測，以確定攝像頭前的人是個活人。因此整個人臉識別過程一般為（并非一定要這樣）：人臉檢測 -> 關(guān)鍵點檢測 -> 人臉對齊 -> 活體檢測 -> 人臉特征提取 -> 人臉比對。
模型簡介
本項目使用基于resnet18的二分類模型對RGB圖像進行活體、非活體的分類識別， 網(wǎng)絡(luò)結(jié)構(gòu)如圖所示，有關(guān)于resnet的知識可自行查閱。
數(shù)據(jù)集簡介
本項目數(shù)據(jù)集使用中科院大型人臉活體檢測數(shù)據(jù)庫CACIA-SURF，這是一個包含大量不同年齡段人的多模態(tài)(RGB, Depth，IR)的數(shù)據(jù)集，其中包含大量真實活體人臉樣本，也包含了對應(yīng)的攻擊樣本（數(shù)據(jù)集已上傳至開源數(shù)據(jù)平臺Graviti）。
如圖所示，圖例中的攻擊樣本是以打印出來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候能夠正確識別出它不是一個活體。
其中，RGB表示RGB圖片，Depth表示深度圖，IR表示近紅外圖。三個模態(tài)的數(shù)據(jù)可以都用來訓(xùn)練，以使模型適應(yīng)不同圖像采集設(shè)備的需求。為了簡單，本項目僅使用RGB圖像訓(xùn)練。
數(shù)據(jù)集目錄結(jié)構(gòu)如圖所示：
Training中為訓(xùn)練集圖片，Val為驗證集圖片，train_list.txt為訓(xùn)練集各個樣本的路徑及標(biāo)簽，val_private_list.txt為驗證集各個樣本的路徑及標(biāo)簽，val_public_list.txt本項目暫時不用
代碼簡介
項目環(huán)境：python 3.7.4 、pytorch 1.4.0、其余的opencv、numpy啥的看缺啥裝啥吧。。。
項目代碼目錄如圖所示（代碼地址見文末）：
其中，alive_detect為自定義的文件夾，里面存放了一些測試視頻，人臉檢測模型權(quán)重等等文件。
loss文件夾內(nèi)存放了一些損失函數(shù)的實現(xiàn) model文件夾內(nèi)存放了一些模型的實現(xiàn)
models文件夾是模型訓(xùn)練過程中權(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實現(xiàn)了一些指標(biāo)的計算
utils.py實現(xiàn)了一些訓(xùn)練或測試用到的小功能函數(shù)
train_CyclicLR.py是訓(xùn)練代碼，執(zhí)行這個代碼即可啟動訓(xùn)練
train_Fusion_CyclicLR.py是多模態(tài)數(shù)據(jù)的訓(xùn)練代碼。即同時使用上述數(shù)據(jù)集中的三種模態(tài)的數(shù)據(jù)進行訓(xùn)練
face_recognize.py是使用訓(xùn)練好的模型進行活體檢測測試的代碼
項目代碼中給出了訓(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。
訓(xùn)練過程示例
以resnet18模型為例，使用數(shù)據(jù)集中的RGB圖片進行訓(xùn)練，輸入模型尺寸大小為32。
開始訓(xùn)練：
cd alive_recognize_project
#開啟訓(xùn)練
#--model baseline , 以resnet18為例，可選其他模型，自行探索
#--image_size 32 , 輸入活體檢測模型的人臉圖像大小為32
#--cycle_num 5,訓(xùn)練5個cycle周期
#--cycle_inter 50, 每個cycle周期內(nèi)訓(xùn)練50個epoch
#--mode train , 開啟訓(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cycle_num和cycle_inter參數(shù)的說明，本項目學(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表示一個周期內(nèi)訓(xùn)練的epoch數(shù)，即每經(jīng)過cycle_inter個epoch，學(xué)習(xí)率從初始值下降到最低值，如下圖所示。
然后就開始訓(xùn)練了，期間會打印出一些訓(xùn)練過程中的loss、acc、acer等信息，如需要別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)保存每個周期內(nèi)最低acer模型、最后一個epoch訓(xùn)練結(jié)束的模型和全局最低acer模型，如下圖所示。
在驗證集上測試模型
python train_CyclicLR.py --mode infer_test --model baseline --image_mode color --image_size 32 --batch_size 8
驗證集上結(jié)果，ACER=0.0358
模型效果測試
調(diào)用訓(xùn)練好的模型，對視頻中的人臉進行活體檢測。（也可以檢測攝像頭前的自己，本項目以視頻文件為例）
測試腳本face_recognize.py參數(shù)：
--alive_detect_model：活體檢測模型權(quán)重
--key_point_detect_model：關(guān)鍵點檢測模型，路徑為alive_detect/shape_predictor_68_face_landmarks.dat
--detect_vidio：待檢測的視頻片段存放路徑
--detect_res：視頻片段的檢測結(jié)果存放路徑
測試代碼示例：
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。
測試結(jié)果示例
擴展
關(guān)于模型訓(xùn)練，可繼續(xù)調(diào)參以期在驗證集獲得更好的效果。 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模型進行多模態(tài)人臉活體檢測模型的訓(xùn)練。已經(jīng)給出相關(guān)代碼，可自行查看。