Face Recognition

Qualeams

Informacje o aplikacji

Rozpoznawanie twarzy może być stosowany jako ramy testowej dla kilku metod rozpoznawania twarzy w tym sieci neuronowych z TensorFlow i Caffe.

Obejmuje ona następujące algorytmy wstępnego przetwarzania:
- Skala szarości
- Przyciąć
- Wyrównanie oczu
- Korekcja gamma
- Różnica Gaussians
- Canny-Filter
- Lokalna Binary Wzór
- histogram Wyrównanie (może być stosowany tylko wtedy, gdy jest używany zbyt skali szarości)
- Zmień rozmiar

Można wybrać jedną z następujących metod ekstrakcji funkcja i klasyfikacja:
- Eigenfaces z Najbliższy sąsiad
- Obraz z Przekształcanie maszyny wektorów nośnych
- TensorFlow z SVM lub KNN
- Caffe z SVM lub KNN

W podręczniku można znaleźć tutaj https://github.com/Qualeams/Android-Face-Recognition-with-Deep-Learning/blob/master/USER%20MANUAL.md

W tej chwili tylko urządzenia armeabi-v7a i starszych są obsługiwane.

Dla najlepszych doświadczeń w trybie rozpoznawania obrócić urządzenie w lewo.
_______________________________________________________________

TensorFlow:

Jeśli chcesz użyć modelu Tensorflow Inception5h, pobrać stąd:
https://storage.googleapis.com/download.tensorflow.org/models/inception5h.zip

Następnie należy skopiować plik "tensorflow_inception_graph.pb" na "/ sdcard / Zdjęcia / facerecognition / data / TensorFlow"

Użyj tych ustawień domyślnych na początek:
Liczba klas: 1001 (nie ma znaczenia, jak nie używamy ostatnią warstwę)
Rozmiar wejścia: 224
Średni zdjęcie: 128
Wielkość wyjściowa: 1024
warstwa wejściowa: wejście
Warstwa wyjściowa: avgpool0
Plik Model: tensorflow_inception_graph.pb
-------------------------------------------------- -------------------------------------------------- -----
Jeśli chcesz użyć modelu VGG twarzy deskryptora, pobrać stąd:
https://www.dropbox.com/s/51wi2la5e034wfv/vgg_faces.pb?dl=0

Uwaga: Model ten działa tylko w urządzeniach z co najmniej 3 GB lub RAM.

Następnie należy skopiować plik "vgg_faces.pb" na "/ sdcard / Zdjęcia / facerecognition / data / TensorFlow"

Użyj tych ustawień domyślnych na początek:
Liczba klas: 1000 (nie ma znaczenia, jak nie używamy ostatnią warstwę)
Rozmiar wejścia: 224
Średni zdjęcie: 128
Wielkość wyjściowa: 4096
warstwa wejściowa: Zastępczy
Warstwa wyjściowa: FC7 / FC7
Plik Model: vgg_faces.pb
_______________________________________________________________

Caffe:

Jeśli chcesz użyć modelu VGG twarzy deskryptora, pobrać stąd:
http://www.robots.ox.ac.uk/~vgg/software/vgg_face/src/vgg_face_caffe.tar.gz

Uwaga: Model ten działa tylko w urządzeniach z co najmniej 3 GB lub RAM.

Następnie skopiuj pliki "VGG_FACE_deploy.prototxt" i "VGG_FACE.caffemodel" na "/ sdcard / Zdjęcia / facerecognition / data / caffe"

Użyj tych ustawień domyślnych na początek:
średnie wartości: 104, 117, 123
Warstwa wyjściowa: FC7
Plik Model: VGG_FACE_deploy.prototxt
złożyć ciężary: VGG_FACE.caffemodel

_______________________________________________________________

Pliki licencji można znaleźć tutaj i tutaj https://github.com/Qualeams/Android- https://github.com/Qualeams/Android-Face-Recognition-with-Deep-Learning/blob/master/LICENSE.txt rozpoznawania twarzy-z-deep-learning / blob / master / NOTICE.txt

Oceny i opinie

It's great that user can change all classification parameters, models etc. Thanks!

Co nowego

- Switch from building Tensorflow from source to using the Jcenter library
- Included optimized_facenet model and changed default settings to use TensorFlow by default