如何優化 Face Recognition 套件的人臉辨識？

上一篇我們討論如何使用 Face Recognition 快速做一個人臉辨識系統，但使用預設參數的情況下可能無法完全符合實際需求，這邊分享一些參數調教的方法，讓大家的辨識系統可以更完美！

如何儲存 Face Encoding 加速載入？

以先前的做法，每次要辨識人臉前，我們都必須把已知人臉的圖片載入後做 encoding，如果程式跑在如 Raspberry pi 等效能較差的終端設備是相當浪費資源的！其實我們可以直接把已知人臉的 encoding 存起來，需要時再讀入使用。 python 內建的 pickle 模組就可以達成這個需求！

我們引入 pickle，把上一篇我們得到的特徵向量資料直接送入 dump，就能將其存入根目錄下的 face.dat 檔。

import pickle

with open('faces.dat', 'wb') as f:
    pickle.dump(known_face_list, f)

下次需要使用時，直接透過 pickle.load() 就能還原！比 json 還方便啊！

with open('faces.dat', 'rb') as f:
    known_face_list = pickle.load(f)

發現有時會誤判人臉？改用 CNN 模型

Face Recognition 預設辨識人臉位置的模型是 HOG （Histograms of Oriented Gradients），原理是透過梯度資訊反應影象目標的邊緣資訊，並透過區域性梯度的大小將影象區域性的外觀和形狀特徵化。相對於 CNN 模型，實測發現 HOG 不太能抓到較小的人臉，或是因光影關係而誤判。此時可以考慮使用 CNN 來做偵測。

CNN 的缺點是需要較大的運算量，純 CPU 計算會比 HOG 慢相當多，建議在有 CUDA 的平台上使用（Face Recognition 支援 CUDA 加速）。

# 辨識臉部位址時，給定 model = 'cnn' 即可
cur_face_locs = face_recognition.face_locations(img, model='cnn')

簡單用以下 code 測試一下在 CPU 跑的速度差異

import time

for fn in test_fn_list:
    img = cv2.imread(fn)
    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    
    _t = time.time()
    
    face_recognition.face_locations(img) # use HOG model to detect face locations
    
    _t1 = time.time()
    
    face_recognition.face_locations(img, model='cnn') # use CNN model to detect face locations
    
    print(f'HOG: {round(_t1 - _t, 2)} secs, CNN: {round(time.time() - _t1, 2)} secs') 

結果如下 (Macbook 2020 / i5 2Ghz)

準確度不夠？增加特徵點數量

如果發現誤判未知人臉的機率太高，可以增加 encoding 時使用的特徵點數量。

Face Recognition 預設使用 small（5 個特徵點），可以改用 large（68 個特徵點）測試看看。

# 取得臉部特徵向量時，給定 model = 'large' 即可
cur_face_encodes = face_recognition.face_encodings(img, cur_face_locs, model='large')

驗證一下是否有差，我們來讓電腦辨識 李帝勳 和 潘瑋柏 看看！

辨識圖片如下（照片取自李帝勳 or 潘瑋柏 facebook or 官網）：

已知人臉圖片組：

左：lee.jpg，右：pan.jpg

未知人臉測試圖片組：

左：lee-t1.jpg， 右：lee-t2.jpg

左：pan-t1.jpg，右：pan-t2.jpg

結果如下表，pan-t1.jpg 雖然拉高了特徵值數量，演算法還是判斷錯誤，敗給長相相似。不過如果從「區分」人臉的角度來看，拉高特徵值數量時與正確已知人臉距離變近，同時距離差上升，所以還是有增加辨識能力。

試試看這些方法來調教你的人臉辨識系統吧！如果你也有什麼好方法來調教的話歡迎在下面留言讓我知道。如果覺得我文章內容對你有幫助的話，請在文章後面幫我按 5 個讚！讓我知道大家都喜歡什麼內容哦！

範例原始碼在此下載：github

延伸閱讀：
使用 Face Recognition 套件快速建立自己的人臉辨識系統！
用 MotionEye + Raspberry pi 做一個網路監控系統吧！