你好,游客 登录 注册 发布搜索
背景:
阅读新闻

在你上司靠近你座位时,用人脸识别技术及时屏幕切换

[日期:2017-01-11] 来源:  作者: [字体: ]

简评:机器学习小项目,开放所有源码,手把手教你:在你上司靠近你座位时,用人脸识别技术及时屏幕切换。

当你工作时,你会浏览一些和工作无关的内容吧?

这时刻如果你老板正好在你身后,我就问你,你尴不尴尬?当然了,你可以用多年训练出的手速飞快的切换屏幕,但是这样往往也欲盖弥彰。

所以,为了防止老板看到我开小差,我创建了一个系统,自动识别他的脸并切换屏幕伪装成工作的样子。深度学习使你能够在老板接近时隐藏屏幕!

具体来说,用 Keras 实现神经网络,认出他的脸,用网络摄像头识别他在接近,然后自动切换屏幕。

任务

任务是当老板接近,自动切换屏幕,具体情况如下:

老板据我 6 ~ 7 米,他离开座位后,4 ~ 5 秒就能到达我的位置,所以我没有什么反应时间来人工切换。

战术

我的战术是「跟踪」。

  1. 计算机通过深度学习记住老板的脸
  2. 网络摄像机捕捉到他脸
  3. 电脑瞬间切换屏幕

完美,我称这个系统为「Boss 反侦察系统」(Boss Sensor)。

系统架构

Boss 反侦察系统的简单系统架构如下:

  • 网络摄像头实施捕捉影像
  • 学习模型侦测,识别捕捉的影像
  • 发现 Boss 来了,实现切换屏幕

实现以上的操作需要如下技术:

  • 面部图像抓取
  • 图像识别
  • 切换屏幕

Ok,开搞。

面部图像抓取

为了抓取图像,我搞了个网络摄像机。

我们通过网络摄像机获取图像,由于我们是用来面部识别的,所以只需要截取脸部这个范围即可。我使用 Python 和 OpenCV 来拍摄脸部图像,代码如下:

我获得了比我预期更清楚的图片。

认识 Boss 的脸

接下来,我们使用机器学习,使计算机能够识别老板的脸。我们需要以下三个步骤:

  • 收集图像
  • 预处理图像
  • 构建机器学习模型

让我们一一看看这些怎么实现。

收集图像

我要收集 Boss 各种各样的面部图像,我采取三个方法:

  • Google 图片
  • Facebook 上 Boss 的图片
  • 视频截图

但是图片还是太少,样本不够,所以我就用我的网络摄像头盯着老板拍摄,然后截图,得到了足够多的,不同角度的图片。

预处理图像

搞到了好多的图片,用 ImageMagick 可以很轻松的截取头部图片。以下是我的收集:

也许我是世上拥有老板面孔照片最多的人,比他妈还多。

下面要开始让机器学习了。

构建机器学习模型

Keras 用于建立 卷积神经网络(CNN) 并让 CNN 受训。

TensorFlow 用于 Keras 的后端。如果你只识别面部,你可以调用 Web API 进行图像识别,如 Cognitive Services 中的 Computer Vision API

,但是这次我决定自己实现实时性。

网络具有以下架构。Keras很方便,因为它可以轻松地输出架构。

____________________________________________________________________________________________________
Layer (type)                     Output Shape          Param #     Connected to                     
====================================================================================================
convolution2d_1 (Convolution2D)  (None, 32, 64, 64)    896         convolution2d_input_1[0][0]      
____________________________________________________________________________________________________
activation_1 (Activation)        (None, 32, 64, 64)    0           convolution2d_1[0][0]            
____________________________________________________________________________________________________
convolution2d_2 (Convolution2D)  (None, 32, 62, 62)    9248        activation_1[0][0]               
____________________________________________________________________________________________________
activation_2 (Activation)        (None, 32, 62, 62)    0           convolution2d_2[0][0]            
____________________________________________________________________________________________________
maxpooling2d_1 (MaxPooling2D)    (None, 32, 31, 31)    0           activation_2[0][0]               
____________________________________________________________________________________________________
dropout_1 (Dropout)              (None, 32, 31, 31)    0           maxpooling2d_1[0][0]             
____________________________________________________________________________________________________
convolution2d_3 (Convolution2D)  (None, 64, 31, 31)    18496       dropout_1[0][0]                  
____________________________________________________________________________________________________
activation_3 (Activation)        (None, 64, 31, 31)    0           convolution2d_3[0][0]            
____________________________________________________________________________________________________
convolution2d_4 (Convolution2D)  (None, 64, 29, 29)    36928       activation_3[0][0]               
____________________________________________________________________________________________________
activation_4 (Activation)        (None, 64, 29, 29)    0           convolution2d_4[0][0]            
____________________________________________________________________________________________________
maxpooling2d_2 (MaxPooling2D)    (None, 64, 14, 14)    0           activation_4[0][0]               
____________________________________________________________________________________________________
dropout_2 (Dropout)              (None, 64, 14, 14)    0           maxpooling2d_2[0][0]             
____________________________________________________________________________________________________
flatten_1 (Flatten)              (None, 12544)         0           dropout_2[0][0]                  
____________________________________________________________________________________________________
dense_1 (Dense)                  (None, 512)           6423040     flatten_1[0][0]                  
____________________________________________________________________________________________________
activation_5 (Activation)        (None, 512)           0           dense_1[0][0]                    
____________________________________________________________________________________________________
dropout_3 (Dropout)              (None, 512)           0           activation_5[0][0]               
____________________________________________________________________________________________________
dense_2 (Dense)                  (None, 2)             1026        dropout_3[0][0]                  
____________________________________________________________________________________________________
activation_6 (Activation)        (None, 2)             0           dense_2[0][0]                    
====================================================================================================
Total params: 6489634

源码在此奉上:

到目前为止,我的计算机已经可以认出老板了。

切换屏幕

现在,学习模型已经能够识别老板的脸了,接下来就要切换屏幕了。

这时候,我们要假装在工作。作为一个程序员,我截了张图:

我只是切换屏幕,显示图片。我用 PyQt 把图片全屏化,以下是源码:

现在,万事俱备,只差老板了。

最终产品

一旦我们整合已经验证的技术,我们就完成了。我真的对老板试过了。ԅ(¯﹃¯ԅ)

我老板从他的座位上起身往我这边走:OpenCV 已经检测到面部并将图像输入到学习模型中。

然后我的屏幕瞬间切换,成功!(*ノ´□`)ノ

源码

你可以下载到全部「Boss 反侦查系统的源码」

总结

这个项目,我结合了从 Web 相机的实时图像采集和面部识别,到使用 Keras 识别我的老板和切换屏幕。

目前,我用 OpenCV 检测面部,但由于 OpenCV 中的面部检测的准确性似乎不太好,我想尝试使用 Dlib 来提高准确性。

收藏 推荐 打印 | 录入:Cstor | 阅读:
本文评论   查看全部评论 (1)
表情: 表情 姓名: 字数
点评:
       
评论声明
  • 尊重网上道德,遵守中华人民共和国的各项有关法律法规
  • 承担一切因您的行为而直接或间接导致的民事或刑事法律责任
  • 本站管理人员有权保留或删除其管辖留言中的任意内容
  • 本站有权在网站内转载或引用您的评论
  • 参与本评论即表明您已经阅读并接受上述条款
第 1 楼
* 匿名 发表于 2017/1/11 16:57:29
666666
热门评论
* 匿名 发表于 2017/1/11 16:57:29
666666