c++人脸识别项目，满足工业界对于人脸识别系统的高标准需求！（二）

最新推荐文章于 2024-07-19 15:11:23 发布

Tomorrow'sThinker

最新推荐文章于 2024-07-19 15:11:23 发布

阅读量137

点赞数 1

文章标签：人工智能

本文链接：https://blog.csdn.net/a_Loki/article/details/139984127

版权

在第一个章节时，我们完成了基本功能的实现，同时也带来了问题就是添加的人脸没有永久保存的问题。今天我们讲解决这些问题。

思路分析

要完成这些功能我们首先要知道，我们要保存的是什么，是人脸特征

关于特征值的保存，faiss库中有专门的方法

void write_index(const Index* idx, const char* fname);
void write_index(const Index* idx, FILE* f);
void write_index(const Index* idx, IOWriter* writer);

void write_index_binary(const IndexBinary* idx, const char* fname);
void write_index_binary(const IndexBinary* idx, FILE* f);
void write_index_binary(const IndexBinary* idx, IOWriter* writer);

还有读取方法

Index* read_index(const char* fname, int io_flags = 0);
Index* read_index(FILE* f, int io_flags = 0);
Index* read_index(IOReader* reader, int io_flags = 0);

IndexBinary* read_index_binary(const char* fname, int io_flags = 0);
IndexBinary* read_index_binary(FILE* f, int io_flags = 0);
IndexBinary* read_index_binary(IOReader* reader, int io_flags = 0);

具体实现还是和之前一样，判断计算方法和是否使用GPU。

加载，导入创建文件函数创建

创建writeToFile函数写入index

void ANN::writeToFile() {
    if(this->method==Cosine){
        if(this->useGPU){
            //faiss::Index* cpu_index;
            faiss::IndexFlatIP cpu_index(this->kValue);
            cpu_index.ntotal = this->cosineGPUIndex->ntotal;
            this->cosineGPUIndex->copyTo(&cpu_index);
            faiss::write_index(&cpu_index,this->indexFileName.c_str());
        }else{
            faiss::write_index(this->cosineIndex.get(),this->indexFileName.c_str());
        }
    }else{
        if(this->useGPU){
            faiss::IndexFlatL2 cpu_index(this->kValue);
            cpu_index.ntotal = this->euclideanGPUIndex->ntotal;
            this->euclideanGPUIndex->copyTo(&cpu_index);
            faiss::write_index(&cpu_index,this->indexFileName.c_str());
        }else{
            faiss::write_index(this->euclideanIndex.get(),this->indexFileName.c_str());
        }
    }
}

根据 method 确定使用的是 Cosine 还是 Euclidean 方法。根据 useGPU 确定是否使用 GPU 索引。如果使用 GPU，先创建一个 CPU 索引对象，将 GPU 索引的数据复制到这个 CPU 索引对象，然后将 CPU 索引对象写入文件。如果不使用 GPU，直接将 CPU 索引对象写入文件。因为FAISS 库中的索引保存和加载功能（即 write_index 和 read_index）仅支持 CPU 索引对象，所以会有一步复制的操作。indexFileName是我们新建的一个成员变量，它会用来存储索引文件。

创建loadFromFile函数加载index

void ANN::loadFromFile() {
    faiss::Index* loadedIndex = faiss::read_index(this->indexFileName.c_str());
    if(this->method==Cosine){
        faiss::IndexFlatIP* cosineTempIndex = dynamic_cast<faiss::IndexFlatIP*>(loadedIndex);
        std::shared_ptr<faiss::IndexFlatIP> tempIndex(cosineTempIndex);
        if(this->useGPU){
            this->cosineGPUIndex->copyFrom(cosineTempIndex);
        }else{
            this->cosineIndex = tempIndex;
        }
    }else{
        faiss::IndexFlatL2* euclideanTempIndex = dynamic_cast<faiss::IndexFlatL2*>(loadedIndex);
        std::shared_ptr<faiss::IndexFlatL2> tempIndex(euclideanTempIndex);
        if(this->useGPU){
            this->euclideanGPUIndex->copyFrom(euclideanTempIndex);
        }else{
            this->euclideanIndex = tempIndex;
        }
    }
}

有写入自然有加载，和上面差不多，注意这里读取的指针类型是faiss::Index，它是faiss::IndexFlatL2和faiss::IndexFlatIP的基类，这里使用dynamic_cast做了一个类型转换。

创建调用加载函数和创建文件的函数

该函数用于接收到indexFileName的路径，并创建或加载index。

void ANN::setFileName(const std::string& fileName){
    this->indexFileName = fileName+".idx";
    if(!existFile(this->indexFileName)){
        std::filesystem::create_directories(std::filesystem::path(fileName).parent_path());
    }else{
        this->loadFromFile();
    }
}


 bool existFile(std::string fileName) {
        return (access(fileName.c_str(), F_OK) != -1);
    }

就是简单的判断，文件存在就加载index，不存在就创建。

添加文件index保存函数后的main函数

三个函数创建好之后，我们就可以直接拿来使用了。

std::string fileName = modelPath + "/testAnn";
ann->setFileName(fileName);

这一步是给我们的模型一个文件保存的路径，然后

ann->add(features);
ann->writeToFile();

这次我们的测试流程为，第一次启动程序，先不使用serach，只使用add和writeToFile,第二次只使用search。

图片这里使用同一个人在不同形象下的图片，我第一次会把bb传入进去，然后分别带入123456来查看他们的准确率（这里6不是同一个人）。

添加人员特征信息

ann = std::make_shared<ANN>(512, 5, 0.6, 1, 0);
        std::string fileName = modelPath + "/testAnn" + "/" + "ann";
        ann->setFileName(fileName);
        std::string path = "/.../bb.jpg";
        std::string path2 = "";
        cv::Mat img = getImageMat(path);
        cv::Mat img2 = getImageMat(path2);
//        std::shared_ptr<cv::Mat> imgs = std::make_shared<cv::Mat>(img);
        std::string preLoadFile1 = modelPath + "/test_face1.jpg";
        std::string preLoadFile2 = modelPath + "/test_face2.jpg";
        bool success = globalFaceDetector->initDetection(preLoadFile1, preLoadFile2);
        if (!success) {
            int errorCode = globalFaceDetector->getErrorCode();
            std::string errorString = globalFaceDetector->getErrorString();
        }
        globalFaceDetector->getFaces(img, *faces);
        globalFaceDetector->getFaces(img2, *faces2);
        auto features = faces->at(0).getFeaturesData();
        auto features2 = faces2->at(0).getFeaturesData();
        ann->add(features);
        ann->writeToFile();
//        ann->search(features);
        cleanup();
        return 0;

使用同一个人不同图片来查看输出结果

ann = std::make_shared<ANN>(512, 5, 0.6, 1, 0);
        std::string fileName = modelPath + "/testAnn" + "/" + "ann";
        ann->setFileName(fileName);
        std::string path = "/home/zlzg01/ly/face/1.jpg";
        std::string path2 = "/home/zlzg01/ly/download.jpg";
        cv::Mat img = getImageMat(path);
        cv::Mat img2 = getImageMat(path2);
//        std::shared_ptr<cv::Mat> imgs = std::make_shared<cv::Mat>(img);
        std::string preLoadFile1 = modelPath + "/test_face1.jpg";
        std::string preLoadFile2 = modelPath + "/test_face2.jpg";
        bool success = globalFaceDetector->initDetection(preLoadFile1, preLoadFile2);
        if (!success) {
            int errorCode = globalFaceDetector->getErrorCode();
            std::string errorString = globalFaceDetector->getErrorString();
        }
        globalFaceDetector->getFaces(img, *faces);
        globalFaceDetector->getFaces(img2, *faces2);
        auto features = faces->at(0).getFeaturesData();
        auto features2 = faces2->at(0).getFeaturesData();
//        ann->add(features);
//        ann->writeToFile();
        ann->search(features);
        cleanup();
        return 0;

这里五张图片的结果如下（大家这里可以优化一下代码用循环来放入多张图片，因为人脸检测模型的预热实在有点耗时间）：