- 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， 把112x112的人脸图像转换为512维的特征向量，向量即1维数组。
- 本工程中提供的代码可支持最高1万数量的人脸数据库的人脸对比，超过此数量人脸对比速度较慢。
- 本工程宗旨为人脸识别的入门者提供直接使用和演示的样例程序，节省读者的学习时间。
- 如果读者需要增加其他人的人脸识别，请阅读本篇文章第1.1节
- 工业实践中完整的人脸识别项目包含4步：人脸检测、人脸对齐、人脸识别、活体识别，
- 本工程包含3步：人脸检测、人脸对齐、人脸识别，读者开发实际应用需要添加活体识别功能。
- 本文基于
Jia Guo和邓健康的github工程《InsightFace》 学习InsightFace网络模型 - 本文基于
davidsandberg的github工程《facenet》 学习使用mtcnn模型做人脸检测
- 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、mxnet-cu100、tensorflow_gpu1.13。
- 作者提供4个组件的百度云下载链接: https://pan.baidu.com/s/1OlKO1fD3C0gdsT-kocfQUg 提取码: 7n15
- 如果读者的显卡为Nvidia品牌10系列，则仍然可以使用CUDA9及其相关组件。
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
- mxnet-cu100
- opencv_python: 4.1.0
- 在文件夹
test/run/resources/person_database文件夹中,提供9个测试人物图片，即注册数据库现有9人。 - 读者根据自己需要，依照人名新建文件夹，然后把此人对应的图片放入其中。
- 如下图所示：
- 运行脚本文件1_align_face.py ![剪裁和对齐人脸截图]
- 程序运行完成后，文件夹
resources中新增文件夹face_database，如下图所示：
- 运行2_demo.py，通过调用摄像头进行人脸识别工程测试
- 在程序运行的过程中，按Esc键或者q键可以退出程序。
- 如果不需要显示人脸的5个关键点，则删除命令脚本文件中--show_keypoints`参数
- 测试结构展示
- 建议读者阅读代码文件
_02_demo.py，代码中变量命名具有实际意义，易于读者理解，在关键处均含有注释。 - 程序运行完成后，文件夹
resources中新增文件夹affine_faces和视频文件demo.avi
