一、本文目标 利用facenet源码实现从摄像头读取视频，实时检测并识别视频中的人脸。换句话说：把facenet源码中contributed目录下的real_time_face_recognition.py运行起来。 二、需要具备的条件 1、准备好的Tensorflow环境 2、摄像头（可用视频文件替代） 3、准备好的facenet源码并安装依赖包 4、训练好的人脸检测模型 5、训练好的人脸识别分类模型 三、准备工作 1、搭建Tensorflow环境 如何编译搭建见《Ubuntu16.04+TensorFlowr1.12环境搭建指南》。 2、准备摄像头 如果使用虚拟机，首先确保摄像头连接的虚拟机，连接方式见下图： 摄像头连接的虚拟机成功后，在/dev目录下会看到video0文件，需要确保当前用户有摄像头的访问权限： sudo chown jack:jack /dev/video0 如果没有摄像头，可用视频文件替代，只需将real_time_face_recognition.py中 video_capture = cv2.VideoCapture(0) 这行代码替换为: video_capture = cv2.VideoCapture(VIDEOPATH) 事实上，在虚拟上使用摄像头做实时视频流的人脸识别，很可能会出现“select timeout”错误，这是由于CPU的处理能力不知导致，这时也可以用视频来替代摄像头来进行实验。 建议在HOST上安装xshell+xmanager来访问虚拟机，显示人脸检查的视频窗口建议xmanager配合xshell使用（具体安装方式不再赘述，使用XShell建立连接时，设置连接属性，在 SSH --> tunneling 选项下勾选 Forward X11 connections to: Xmanager）。也可以直接在虚拟机的terminal中运行real_time_face_recognition.py，而无需安装xmanager。 3、准备好的facenet源码并安装依赖包 （1）下载源码 cd /data git clone https://github.com/davidsandberg/facenet.git cd facenet （2）设置PYTHONPATH sudo vi ~/.bashrc 在文件最后添加： export PYTHONPATH =/data/facenet/src source ~/.bashrc （3）安装依赖包 workon tfenv pip install -U –-upgrade pip pip install -U h5py matplotlib==2.2.3 Pillow requests psutil opencv-python （4）准备源码 为了跟tensorflow r1.12兼容，需要需要facenet.py源码中 create_input_pipeline函数，在函数的第一行添加 with tf.name_scope("tempscope"): 添加后，别忘了后面的代码缩减哦。 4、准备人脸检测模型 直接从https://drive.google.com/file/d/1EXPBSXwTaqrSC0OhUdXNmKSh9qJUQ55-/view下载已经训练好的模型20180402-114759，国内需要FQ才能下载，不FQ大概率可以搜索从国内某些网盘上下载。文件大约4GB，建议用迅雷等工具下载。文件解压到/data/models目录,解压后文件如下: 20180402-114759.pb model-20180402-114759.ckpt-275.data-00000-of-00001 model-20180402-114759.ckpt-275.index model-20180402-114759.meta 5、训练人脸识别分类模型 （1）从http://vis-www.cs.umass.edu/lfw/lfw.tgz下载LFW数据集到/data/datasets目录 cd /data/datasets mkdir -p lfw/raw tar xvf lfw.tgz -C lfw/raw --strip-components=1 (2) 训练分类模型 对齐LFW 数据集： workon tfenv cd /data/facenet for N in {1..4}; do \ python src/align/align_dataset_mtcnn.py \ /data/datasets/lfw/raw \ /data/datasets/lfw/lfw_mtcnnpy_160 \ --image_size 160 \ --margin 32 \ --random_order \ --gpu_memory_fraction 0.25 \ & done 训练分类模型： python src/classifier.py TRAIN \ /data/datasets/lfw/lfw_mtcnnpy_160 \ /data/models/20180402-114759/20180402-114759.pb \ /data/models/lfw_classifier.pkl \ --batch_size 1000 \ --min_nrof_images_per_class 40 \ --nrof_train_images_per_class 35 \ --use_split_dataset 四、运行人脸识别 配置检测模型和分类模型，修改face.py文件 facenet_model_checkpoint = os.path.dirname(__file__) + "/../model_checkpoints/20170512-110547" classifier_model = os.path.dirname(__file__) + "/../model_checkpoints/my_classifier_1.pkl" 为： facenet_model_checkpoint = "/data/models/20180402-114759" classifier_model ="/data/models/lfw_classifier.pkl" 运行人脸识别代码了！祝你好运！ workon tfenv cd /data/facenet/contributed python real_time_face_recognition.py 如果顺利的话，应该看到小视频窗口了，人脸会被框出来，并在旁边显示识别的人名。 到这里，FaceNet人脸识别的“hello world”算是实现了，对于人脸检测、人脸识别、性别识别、情感识别、年龄识别、embedding提取、landmark提取，人脸对齐，并在生产实践中应用，这仅仅是第一步。 上面识别出的人名肯定是不准确的，这是为什么呢？算是留下的思考题，大家自己动手试试，让上面的人脸识别准确。推荐研读facenet的源码和wifi: https://github.com/davidsandberg/facenet/ https://github.com/davidsandberg/facenet/wiki https://github.com/davidsandberg/facenet/ https://github.com/davidsandberg/facenet/wiki https://www.cnblogs.com/dskit/p/9941079.html