我爱AQ

标题: 用OpenCV搭建活體檢測器3 [打印本页]

作者: qeqwrr 时间: 2021-11-24 10:55
标题: 用OpenCV搭建活體檢測器3

71 行確保我們的面部檢測 ROI 滿足最小閾值，從而減少假陽性。

在 74~76 行提取了面部 ROI 和相應的邊界框。

在 79~81 行為面部 ROI 生成了路徑和檔名，並將它寫在磁碟上。此時，我們就可以增加保存的面部圖像數量了。

處理完成後，我們將在86和87行執行清理工作。

建立活體檢測圖像數據集

圖 4：OpenCV 面部活體檢測數據集。我們要用 Keras 和 OpenCV 來訓練並演示活體模型。

現在我們已經實現了 gather_example.py 腳本，接下來要讓它開始工作。

確保你已經用這篇教程的「Downloads」部分獲取了原始程式碼和輸入視頻樣例。

打開終端並執行下面的命令來提取「偽造」類的面部

也可以對「真實」類別的面部執行同樣的操作

因為「真」視頻比「假」視頻長，因此我們得把跳過幀的值設置得更長，來平衡每一類輸出的面部ROI數量。

在執行這個文稿之後，你的圖像數量應該如下：

實現「LivenessNet」——我們的深度學習活體檢測器

圖 5：LivenessNet（一個用來檢測圖片和視頻中面部活性的 CNN）的深度學習架構。

下一步就要實現基於深度學習的活體檢測器「LivenessNet」了。

從核心上講，LivenessNet 實際上就是一個簡單的卷積神經網路。

我們要讓這個網路盡可能淺，並用盡可能少的參數，原因如下：

現在來實現 LivenessNet 吧。開啟 livenessnet.py 並插入下面的代碼：

所有導入（import）的包都來自 Keras（2~10 行）。要深入了解這些層和函數，請參考《Deep Learning for Computer Vision with Python》。

第 12 行定義了 LivenessNet 的類。這裡用了一種靜態方法——build（14 行）。 build 方法接受 4 個參數：

在17行初始化模型。

在 18 行定義了 inputShape，在 23~25 行確定了通道順序。

接著給 CNN 新增層：

我們的CNN展現了 VGGNet 特有的品質——只學習了少量的篩檢程式。在理想情況下，我們不需要能區分真實面部和偽造面部的深度網路。

28~36 行是第一個層的集合——CONV => RELU => CONV => RELU => POOL，這裡還添加了批歸一化和 dropout。

39~46 行添加了另一個層集合——CONV => RELU => CONV => RELU => POOL。

最後，我們還要添加FC =>RELU層：

49~57 行添加了全連接層和帶有 softmax 分類器 head 的 ReLU 啟動層。

模型在 60 行返回到訓練腳本。

創建訓練活體檢測器的腳本

欢迎光临我爱AQ (https://5iaq.com/)