FaceNet（A Unified Embedding for Face Recognition and Clustering）是一种基于深度学习的人脸识别技术，能够将人脸图像转化为高维特征向量，并通过计算特征向量之间的距离关系来进行准确的人脸比对和识别。本教程着重在于如何使用FaceNet来训练自己的数据集（以本人识别为例），并进行简单的测试。有关原理在之后课程介绍。使用FaceNet训练自己的数据集要经过以下步骤：

配置环境方面采用keras=2.3.0、mtcnn=0.1.1、sklearn.anaconda选择的是python3.6版本。安装过程直接用pip命令：

Pip install keras==2.3.0

Pip install mtcnn

Pip install sklearm

注：其他缺失包自行下载！！！

链接：https://pan.baidu.com/s/1KU_HhdIQXpNAtfkuIbGBMg

提取码：LLYH。

下载压缩文件后，保存在一个专门的文件夹中。

这里就直接在我的网盘上下载，下载后的文件结构为：

（1）下载源码后打开工程文件，首先打开src文件里save_data.py文件。（这里我使用的是pycharm打开）

（2）在工程中新建data文件夹，用来保存人脸的数据集，在运行代码前需要对代码文件的参数进行修改。

（3）对识别名进行设置。将ap.add_argument中default改为你待检测的识别名。（这里以我LQX为例）。

（4）对采集到的图片保存路径进行设置。path_to_save设置为’../data/’。

（5）开始运行。这里获取图片具体数量因人而异，代码里设置了图片的最大数量为50张，故在50张时程序会自动退出，当然如果你不需要这么多图（可以按’q’提前结束程序）。

 （6）根据自己的需求来修改图片数，具体修改如图：

（7）运行完后data文件里会生成一个名为识别名的文件，里面是刚保存的50张图片（我这里用的50张）。

（1）打开train_embs.py文件并修改待处理图片路径。对图片进行预处理并将处理后的图片数据保存在pickel文件。

 （2）设置pickel文件名及保存路径：

 （3）运行train_embs.py文件，在output文件中会生成相应的pickle文件。成功会出现如下结果：

（4）打开train_class.py文件，修改pickle文件的打开路径，设置模型保存路径

，运行运行train_classify.py程序开始训练：

 （5）运行成功后会在models文件中会生成.h5文件。如图:

（1）打开video_recognition.py文件，修改模型参数。运行效果如图：

 到此，就已经实现了facenet训练自己的数据集并进行测试，50张图片训练效果还不错，大家可以自行采集更多不同的数据集来训练。