- InsightFace工程在人脸识别开源工程中准确率很高，本文使用InsightFace工程中提供的预训练模型，
- 读者需要先根据自己的Nvidia品牌显卡的型号，安装对应的CUDA版本。
- 根据作者的经验，Nvidia品牌20系列显卡需要安装CUDA10，否则运行代码会报错。
- 安装4个组件：CUDA10、cudnn7.6、tensorflow_gpu1.13、微信小程序开发工具。
大于等于6G显存的Nvidia品牌显卡
各种软件版本：
- 操作系统: Windows10
- Anaconda： 5.2
- python: 3.6
- CUDA: 10.0
- cudnn: 7.6.1
- tensorflow_gpu: 1.13.1
- opencv_python: 4.1.0
- 这里使用facenet_ssd训练了人脸检测模型，其模型也转为了pb模型在我们的文件中给出来了即face_detection_model.pb,其会将检测到的人脸框位置给予反馈。
- 其加载检测情况如下图所示：
- 这里加载了之前实习期间训练的人脸关键点检测模型，现在加载的模型准确率还是不够高，在公司用mobilenet-v2训练的人脸68关键点模型的准确率较好，但这里涉及XXX,不能在这里是使用：
- 同时，通过人脸关键点的位置情况，我们可以是实现一些比如检测眼睛、嘴巴睁开或者闭着的状态等情况,前公司在关键点模型上开发了驾驶行为分析的系统，这里我们可以做很多尝试。
- 先经人脸检测、然后将检测到的人脸送入训练好了人脸特征提取模型后，根据人脸特征之间的距离(相似度)进行判断是否属于同一个人脸、或者看人脸是否在自己的人脸注册库中，从而达到人判断和识别的功能。
- 1：人脸注册
- 2：人脸登陆
- 将检测到的人脸图像、送入训练好的人脸属性识别模型，从而进行一些常见的一些人脸属性识别功能：例如对性别、年龄、人脸表情状态、有没有戴眼镜等。
