加载模型的代码很简单。模型存储在目录model／files／中。from tensorflow．keras．models import load＿model

model ＝ load＿model（＇model／facenet＿keras．h5＇）

开发一个模型来概括它以前从未见过的面孔是很困难的。FaceNet模型是在MS－Celeb－1M数据集上训练的，该数据集包含100万张不同名人的照片。通过对同一个人的图像组进行L2归一化，以及余弦相似函数，FaceNet能够产生令人难以置信的高识别精度。我发明了一种方便的方法来登记你家人的面孔，运行submit＿face．py，并传递参数“name”（要注册的人的名字）。另外，为了提高准确性和匹配照明条件，你可以使用布尔参数“from＿door”，如果为真，将直接从你的门铃的最后录制的视频中保存图像。这些图像被存储在目录data／faces／中。用MTCNN人脸检测对它们进行预裁剪。检测方法将在稍后显示，它是face＿recognition．py的一部分。对于拍到的视频，我抓取了视频的特定帧，并测试哪些帧可以工作。我们将需要做一些图像预处理，以及其他小的函数，我将在utils．py中定义：import cv2
def normalize（img）：
   mean， std ＝ img．mean（）， img．std（）
   return （img － mean） ／ （std ＋ 1e－7）
def preprocess（cv2＿img）：
   cv2＿img ＝ normalize（cv2＿img）
   cv2＿img ＝ cv2．resize（cv2＿img， （160， 160））
   return cv2＿img
def get＿specific＿frames（video＿path， times）：
   vidcap ＝ cv2．VideoCapture（video＿path）
   frames ＝ ［］
   for time in times：
       vidcap．set（1， time ＊ 15）
       success， image ＝ vidcap．read（）
       if success：
           frames．append（image）
   return frames

一旦你想要识别的每个人的图像都在目录data／faces／中，我们就可以将其转换为编码。我们把这作为单独的一步，因为我们L2标准化了每个人对应的所有图像。import os
from utils import preprocess
import cv2
import numpy as np
from sklearn．preprocessing import Normalizer
import face＿recognition
import pickle
encoding＿dict ＝ ｛｝
l2＿normalizer ＝ Normalizer（＇l2＇）
for face＿names in os．listdir（＇data／faces／＇）：
   person＿dir ＝ os．path．join（＇data／faces／＇， face＿names）
   encodes ＝ ［］
   for image＿name in os．listdir（person＿dir）：
       image＿path ＝ os．path．join（person＿dir， image＿name）
       face ＝ cv2．imread（image＿path）
       face ＝ preprocess（face）
       encoding ＝ face＿recognition．encode（face）
       encodes．append（encoding）
   if encodes：
       encoding ＝ np．sum（encodes， axis＝0）
       encoding ＝ l2＿normalizer．transform（np．expand＿dims（encoding， axis＝0））［0］
       encoding＿dict［face＿names］ ＝ encoding
path ＝ ＇data／encodings／encoding．pkl＇
with open（path， ＇wb＇） as file：
   pickle．dump（encoding＿dict， file）