六个低劣的开源人脸识别名目
动物识别包括人脸识别、语音识别、指纹识别、视网膜或虹膜识别。其中人脸识别是目前在身份认证或许身份查找运行中经常使用最广的动物识别技术。
人脸识别特指应用剖析比拟人脸视觉特色消息启出发份甄别的计算机技术。狭义的人脸识别实践包括构建人脸识别系统的一系列关系技术，包括人脸图像采集、人脸定位、人脸识别预处置、身份确认以及身份查找等；而狭义的人脸识别特指经过人脸启出发份确认或许身份查找的技术或系统。
传统的人脸识别技术重要是基于可见光图像的人脸识别，人们也比拟相熟这样的识别形式。不过，这种形式的缺陷其实十分显著，光线的限度性十分大。随着技术开展，也产生了一些新的处置打算，例如：三维图像人脸识别、热成像人脸识别等。
在开源畛域这些年也产生了一些十分低劣的人脸识别名目，这些名目开源且收费，并且也能到达某些运行场景的经常使用要求。本文重点引见这些开源名目。
1.OpenFace
Github：
OpenFace是一个用于计算机视觉和机器学习的工具，能够启动各种面部识别检测，包括：特色点检测、头部姿态识别、面部举措识别和眼睛注视识别。此外，它还能够从网络摄像头无需任何专业配件成功人脸实时识别性能。
OpenFace 是基于 Python 和Torch 的神经网络算法成功，它的通常来自facenet。
它的性能包括：
（1）面部标记检测
（2）面部标记和头部姿态跟踪
（3）面部举措单元识别
（4）注视跟踪
（5）面部特色提取
GitHub:
face_recognition 是一个弱小、繁难、易上手的人脸识别开源名目，并且装备了完整的开发文档和运行案例，并且兼容树莓派系统。本名目是一个十分繁复的人脸识别库，可以经常使用 Python 和命令行工具提取、识别、操作人脸。本名目的人脸识别是基于业内上游的 C++ 开源库 dlib 中的深度学习模型，用 Labeled Faces in the Wild 人脸数据集启动测试，有高达 99.38% 的准确率。但对小孩和亚洲人脸的识别准确率尚待优化。
其中，Labeled Faces in the Wild是美国麻省大学安姆斯特分校（University of Massachusetts Amherst)制造的人脸数据集，该数据集蕴含了从网络搜集的13,000多张面部图像。
本名目还提供了繁难的face_recognition命令行工具，可以用它处置整个文件夹里的图片。
它的重要性能包括：
（1）定位图片中的一切人脸
face_recognitionimage face_recognitionface_locations face_recognitionimage（2）识别人脸关键点，包括眼睛、鼻子、嘴和下巴。
face_recognitionimage face_recognitionface_landmarks_list face_recognitionimage识别人脸关键点在很多畛域都很有用，比如本名目的智能化装案例（digital make-up）：。
（3）识别图片中的人是谁
face_recognitionknown_image face_recognitionunknown_image face_recognitionbiden_encoding face_recognitionknown_imageunknown_encoding face_recognitionunknown_imageresults face_recognitionbiden_encoding unknown_encoding（4）实时人脸检测
它可以配合其它的Python库（比如opencv）实事实时人脸检测：
3.InsightFace
GitHub:
InsightFace是一个基于PyTorch和MXNet的开源2D 3D深度人脸识别剖析工具，与MXNet相比，基于OneFlow的成功打算在性能方面更低劣，OneFlow在数据并行时速度是其2.82倍；模型并行时速度是其2.45倍；混兼并行+Partial fc时速度是其1.38倍。基于OneFlow成功的代码已兼并至 insightface的名目仓库，其中蕴含了数据集制造教程、训练和验证脚本、预训练模型以及和MXNet模型的转换工具。InsightFace高效地成功了丰盛的 最先进的人脸识别、人脸检测和人脸对齐算法，这些算法针对训练和部署启动了优化，该处置打算的准确性十分高——在LFW数据集上为99.86%。
ArcFace、SubCenter-ArcFace、RetinaFace等都是InsightFace支持的名目。
Github：
FaceNet是谷歌公司于 2 年提出了基于深度学习的人脸识别系统。FaceNet是一个多用途的识别系统，可以同时用于人脸验证（能否是同一人）、识别（这团体是谁）和聚类（寻觅相似的人）。在经常使用规范“人面数据库”启动测试时，FaceNet 的识别精度可以到达近乎百分之百，在面对2.5 亿张人脸的宏大数据库时，仍能坚持 86% 的识别正确率。目前提供的两个预训练模型，在LFW的效果区分是99.05%和99.65%。
FaceNet 的基本原理是经过间接训练一个深度卷积神经网络，将人脸图像映射到 128 维的欧几里无暇间，不同人脸图像在欧几里无暇间中的距离与图像相似度关系：那么两幅人脸图像特色向量间的“欧式距离”越小，示意两幅图像是同一团体的或许性越大。
经常使用FaceNet推理的环节大抵为以下几个步骤：
5.deepface
Github：
deepface是python的轻量级面部识别和面部属性剖析（年龄，性别，情感和种族）框架。您只要几行代码就可以运行面部剖析。它弥合了软件工程和机器学习钻研之间的鸿沟，十分适宜想开车但不会造车的你。
Deepface是一个混合人脸识别软件包。它目前包装了许多最先进的人脸识别模型：VGG-Face、Google FaceNet、OpenFace、Facebook DeepFace、DeepID、ArcFace、Dlib和SFace。自动性能经常使用VGG-Face模型。
依据试验测试，性能较好的有：FaceNet、VGG-Face、ArcFace和Dlib。可以在其创立者申明的Labeled Faces in the Wild和YouTube Faces in the Wild数据集中找到这些模型的得分。
deepface重要提供以下人脸识别算法，详细对应性能为：
（1）人脸验证
（2）人脸识别
dfs DeepFaceimg_path db_path （3）人脸属性剖析
DeepFacedb_path （4）人脸检测
（5）人脸特色提取
（6）人脸实时剖析
6.CompreFace
Github：
Exadel CompreFace是上游的收费开源人脸识别系统。该人脸识别算法可以被轻松集成就任何系统中，而无需事前把握机器学习技艺。
系统提供用于人脸识别、人脸验证、人脸检测、地标检测、面罩检测、头部姿态检测、年龄和性别识别的REST API；支持在CPU和GPU上运转模型；该名目还蕴含角色控制系统，可以控制谁有权访问面部识别服务。另外，CompreFace提供了docker-compose性能，繁难以Docker的形式极速部署人脸服务。
CompreFace支持多种人脸识别服务，包括：
（1）人脸检测
人脸检测的经常使用场景很多，例如：搜集商店在不异性别中受欢迎水平的统计数据；搜集有关您的优惠在哪些年龄段受欢迎的统计数据；失掉地标消息，了解客户的眼帘；搜集商店里有多少顾客的统计数据；确认一切顾客能否正确佩戴口罩。
（2）人脸识别
（3）面部验证
（4）特色检测
（5）年龄识别
（6）性别识别
（7）口罩检测
（8）头部姿态检测
（9）用户、角色和访问控制
