人脸识别2：InsightFace实现人脸识别Face Recognition(含源码下载)

AI吃大瓜

已于 2023-05-29 18:45:20 修改

阅读量1.5w

点赞数 36

分类专栏：深度学习文章标签：人脸识别人脸检测和人脸识别人脸比对人脸搜索 InsightFace

于 2023-05-15 19:51:45 首次发布

本文为博主原创文章，未经博主允许不得转载（AI吃大瓜）

本文链接：https://blog.csdn.net/guyuealian/article/details/130600472

版权

深度学习专栏收录该内容

105 篇文章 227 订阅

订阅专栏

人脸识别2：InsightFace实现人脸识别Face Recognition(含源码下载)

1. 前言

这是项目《人脸识别Face Recognition》系列之《InsightFace实现人脸识别Face Recognition》Python版本；项目基于开源ArcFace(也称InsightFace)模型搭建一套完整的Python版本人脸识别系统（Face Recognition or Face Identification）；

整套人脸识别系统核心算法包含人脸检测和人脸关键点检测，人脸校准，人脸特征提取以及人脸比对(1:1)和人脸搜索(1:N)。本项目人脸识别系统可以达到目前商业级别的人脸识别准确率，在误识率(FAR)0.1%的情况下，可提供99.57%的通过率(TAR)；可以满足人脸比对，人脸签到、人脸门禁、人员信息查询、安防监控等人脸识别应用场景。

Python版本人脸检测和人脸识别效果：

【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/130600472

更多项目《人脸识别Face Recognition》系列文章请参考：

人脸识别1：人脸识别数据集https://blog.csdn.net/guyuealian/article/details/130600545
人脸识别2：InsightFace实现人脸识别Face Recognition(含源码下载)https://blog.csdn.net/guyuealian/article/details/130600472
人脸识别3：C/C++ InsightFace实现人脸识别Face Recognition(含源码)https://blog.csdn.net/guyuealian/article/details/130600571
人脸识别4：Android InsightFace实现人脸识别Face Recognition(含源码)https://blog.csdn.net/guyuealian/article/details/130600600

2. 项目安装

项目结构说明

.
├── configs                # 配置文件(设置检测模型，特征提取模型)
├── core
│   ├── alignment          # 人脸校准算法
│   ├── detection          # 人脸检测模型
│   ├── feature            # 人脸特征提取模型
│   ├── face_detector.py   # 人脸检测(支持MTCNN和RFB)
│   ├── face_feature.py    # 人脸特征提取模型
│   ├── face_matcher.py    # 人脸匹配算法
│   ├── face_recognizer.py # 人脸识别 
│   └── face_register.py   # 人脸注册
├── data                   # 人脸识别相关数据
├── face_compare.py        # 1:1人脸比对Demo
├── face_search.py         # 1:N人脸搜索Demo
├── register.py            # 1:N人脸搜索人脸数据库注册Demo
├── README.md              # 说明文档
└── requirements.txt       # 项目依赖文件

Python依赖环境，使用pip安装即可，项目代码都在Ubuntu系统和Windows系统验证正常运行，请放心使用；若出现异常，大概率是相关依赖包版本没有完全对应

numpy==1.16.3
matplotlib==3.1.0
Pillow==6.0.0
easydict==1.9
opencv-contrib-python==4.5.2.52
opencv-python==4.5.1.48
pandas==1.1.5
PyYAML==5.3.1
scikit-image==0.17.2
scikit-learn==0.24.0
scipy==1.5.4
seaborn==0.11.2
tensorboard==2.5.0
tensorboardX==2.1
torch==1.7.1+cu110
torchvision==0.8.2+cu110
tqdm==4.55.1
xmltodict==0.12.0
basetrainer
pybaseutils

项目安装教程请参考（初学者入门，麻烦先看完下面教程，配置好开发环境）：

项目开发使用教程和常见问题和解决方法
视频教程：1 手把手教你安装CUDA和cuDNN(1)
视频教程：2 手把手教你安装CUDA和cuDNN(2)
视频教程：3 如何用Anaconda创建pycharm环境
视频教程：4 如何在pycharm中使用Anaconda创建的python环境

3. 人脸识别系统

人脸识别主要包含人脸比对(1:1)和人脸搜索(1:N)两大功能，涉及的核心算法主要包含：人脸检测和人脸关键点检测，人脸校准，人脸特征提取以及人脸比对(1:1)和人脸搜索(1:N)；当然，实际业务中，可能还会增加人脸质量检测以及活体识别等算法，碍于篇幅，后续再分享活体识别算法。

下图给出本项目人脸识别系统算法实现架构流程图：

（1）人脸检测和关键点检测

人脸检测的方法比较多，项目提供两种人脸检测方法：一种是基于MTCNN的通用人脸检测模型，另一种是轻量化的、快速的RFB人脸检测模型；这个两个模型都能实现人脸检测，并同时预测人脸的五个关键点(Landmark)。

模型	Paper	源码	说明
MTCNN	Paper	Link	支持人脸检测和人脸关键点检测(5个点) 通用场景人脸检测，计算量较大，适合PC服务器部署
RFB	Paper	Link	支持人脸检测和人脸关键点检测(5个点) 轻量级人脸检测，适合简单场景人脸检测，计算量较小，适合嵌入式，开发板，Android等终端部署

MTCNN人脸检测参考项目：GitHub - Sierkinhane/mtcnn-pytorch: A face detection algorithm
RFB人脸检测参考项目：GitHub - Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB: 💎1MB lightweight face detection model (1MB轻量级人脸检测模型)

下图是MTCNN模型人脸检测和人脸关键点(Landmark)检测效果

人脸关键点(Landmark)：共预测五个人脸关键点，分别为：左眼中心点，右眼中心点，鼻尖中心点以及左嘴角和右嘴角
利用Landmark信息，后续可以通过仿射变换，对人脸进行校准，获得相对比较正的人脸。人脸校准可以有效提升人脸识别的效果

（2）人脸校准

利用Landmark信息，可以通过仿射变换，对人脸进行校准，获得相对比较正的人脸，项目core/alignment模块提供人脸校准算法。

其中实现思路是：

利用OpenCV的estimateAffine2D()函数估计人脸关键点(5个landmark)和参考人脸关键点(reference landmark)的仿射变换矩阵M，再根据仿射变换矩阵M矫正人脸图像

下图给出人脸校准的效果图，其中【image】是原始图像，【ref-Landmark】图像是112×112图像的参考人脸关键点(reference landmark)，而【face_alignment】是最终矫正的人脸效果图。

（3）人脸特征提取

项目基于开源的ArcFace(也称InsightFace)训练框架，开发并优化了三个版本的人脸识别模型：mobilenet_v2，IR-18(resnet18优化版)以及IR-50(resnet50优化版)，用于人脸特征提取

ArcFace：GitHub - TreB1eN/InsightFace_Pytorch: Pytorch0.4.1 codes for InsightFace

模型	LFW	CFP_FF	CFP_FP	AgeDB	CALFW	CPLFW
resnet50	99.78	99.69	98.14	97.53	95.87	92.45
resnet18	99.55	99.61	97.74	96.52	94.66	90.01
mobilenet_v2	99.23	99.27	90.74	93.22	93.57	88.69

resnet50和resnet18参数量比较大，计算量较大，适合在PC服务器部署；而mobilenet_v2

模型计算量较小，适合嵌入式，开发板，Android等终端部署。

（4）人脸比对(1:1)

1:1人脸比对(也称人脸验证，身份验证)，即将两张人脸进行1:1比对，得到人脸相似度，来判断是否是同一个人，一般用作人证比对等场景，比如银行卡/QQ/微信/支付宝等账号登录时人脸身份验证。

项目实现了1:1人脸比对功能(face_compare.py)

# -*- coding: utf-8 -*-
import os
import cv2
import argparse
import traceback
from core import face_recognizer
from pybaseutils import image_utils, file_utils


class Example2(face_recognizer.FaceRecognizer):
    def __init__(self, database):
        """
        @param database: 人脸数据库的路径
        """
        super(Example2, self).__init__(database=database)

    def compare_face_task(self, image_file1, image_file2, score_thresh=0.75, vis=True):
        """
        1:1人脸比对,比较两张肖像图是否是同一个人
        @param image_file1 肖像图1
        @param image_file2 肖像图2
        @param score_thresh 相似人脸分数人脸阈值
        """
        # 去读取图片
        image1 = cv2.imread(image_file1)
        image2 = cv2.imread(image_file2)
        face_info1, face_info2, score = self.compare_face(image1, image2)
        if len(face_info1['face']) > 0 and len(face_info2['face']) > 0:
            v1 = face_info1["feature"]
            v2 = face_info2["feature"]
            same_person = score > score_thresh
            print("feature1.shape:{}\nfeature1:{}".format(v1.shape, v1[0, 0:20]))
            print("feature2.shape:{}\nfeature2:{}".format(v2.shape, v2[0, 0:20]))
            print("similarity: {}, same person: {}".format(score, same_person))
            if vis: self.show_result(image1, face_info1, image2, face_info2)
        else:
            print("No face detected")
        return score

    def show_result(self, image1, face_info1, image2, face_info2):
        face1 = face_info1["face"]
        face2 = face_info2["face"]
        if len(face1) > 0: image_utils.cv_show_image("face1", face1[0], delay=1)
        if len(face2) > 0: image_utils.cv_show_image("face2", face2[0], delay=1)
        self.draw_result("image1", image=image1, face_info=face_info1, vis=True, delay=1)
        self.draw_result("image2", image=image2, face_info=face_info2, vis=True, delay=0)


def parse_opt():
    image_file1 = "data/test_image/test1.jpg"
    image_file2 = "data/test_image/test2.jpg"
    parser = argparse.ArgumentParser()
    parser.add_argument('--image_file1', type=str, default=image_file1, help='image_file1')
    parser.add_argument('--image_file2', type=str, default=image_file2, help='image_file1')
    opt = parser.parse_args()
    print(opt)
    return opt


if __name__ == "__main__":
    """1:1人脸比对,可用于人证比对等场景"""
    opt = parse_opt()
    fr = Example2(database="")
    fr.compare_face_task(opt.image_file1, opt.image_file2, vis=True)

测试1:1人脸比对，可在终端运行：

python face_compare.py --image_file1 "data/test_image/test1.jpg" --image_file2 "data/test_image/test2.jpg"

运行结果如下：

（5）人脸搜索(1:N)

1:N人脸搜索，将一张人脸和N张人脸进行比对，找出最相似的一张或多张人脸，即1:N人脸搜索。可用作人脸签到、人脸门禁、人员信息查询、安防监控等应用场景。

项目实现了1:N人脸搜索功能，需要提前生成人脸数据库(Face database)，先录入注册人脸数据

项目register.py 实现人脸数据库(database)人脸注册，database人脸图像要求满足以下：

图片按照[ID-XXXX.jpg]命名,如:张三-image.jpg，作为人脸识别的底图
个人照片可以是个人证件照，生活照，肖像照片，要求五官清晰且正脸的照片，不能出现多个人脸的情况
尽量不要出现过度美颜，头发遮挡，低头侧脸等问题

实现人脸注册，可在终端运行（register.py）：

# 默认人脸数据库，图像存放在portrait = "./data/database/portrait"
# 默认人脸数据库，特征文件保存在database='./data/database/database-resnet50.json'

python register.py

运行结果如下：

如果需要注册新人，请参考如下步骤：

采集一张新人的个人照片，以张三的照片为例子
照片保存在人脸数据库中(data/database/portrait)中，图片按照[ID-XXXX.jpg]命名,如:张三-image.jpg，作为人脸识别的底图
然后运行register.py，完成人脸数据库的人脸注册

完成人脸注册后，下一步可以进行1:N人脸搜索，实现人脸识别的功能（face_search.py）：

测试图片文件，可在终端运行：

# 待识别人脸图片存放在项目目录data/test_image 
python face_search.py --image_dir "data/test_image"

测试视频文件，可在终端运行：

# 测试视频文件，--video_file填写视频文件的路径
python face_search.py --video_file "data/test-video.mp4"

测试摄像头，可在终端运行：

# 测试摄像头，--video_file填写摄像头ID号，一般默认从0开始
python face_search.py --video_file 0

# -*- coding: utf-8 -*-
import os
import cv2
import argparse
import traceback
from configs import configs
from core import face_recognizer
from pybaseutils import image_utils, file_utils


class Example1(face_recognizer.FaceRecognizer):
    def __init__(self, database):
        """
        @param database: 人脸数据库的路径
        """
        super(Example1, self).__init__(database=database)

    def start_capture(self, video_file, save_video=None, detect_freq=1, vis=True):
        """
        start capture video
        :param video_file: *.avi,*.mp4,...
        :param save_video: *.avi
        :param detect_freq:
        :return:
        """
        video_cap = image_utils.get_video_capture(video_file)
        width, height, numFrames, fps = image_utils.get_video_info(video_cap)
        if save_video:
            self.video_writer = image_utils.get_video_writer(save_video, width, height, fps)
        count = 0
        while True:
            if count % detect_freq == 0:
                # 设置抽帧的位置
                if isinstance(video_file, str): video_cap.set(cv2.CAP_PROP_POS_FRAMES, count)
                isSuccess, frame = video_cap.read()
                if not isSuccess:
                    break
                frame, face_info = self.search_face_task(frame, thickness=4, fontScale=2.0, delay=10, vis=True)
                if save_video:
                    self.video_writer.write(frame)
            count += 1
        video_cap.release()

    def detect_image_dir(self, image_dir, out_dir=None, vis=True):
        """
        @param image_dir:
        @param out_dir:
        @param vis:
        @return:
        """
        image_list = file_utils.get_files_lists(image_dir, postfix=file_utils.IMG_POSTFIX)
        for image_file in image_list:
            try:
                print("image_file:{}\t".format(image_file), end=',', flush=True)
                image = image_utils.read_image_ch(image_file)
                image = image_utils.resize_image(image, size=(None, 640))
                image, face_info = self.search_face_task(image, vis=vis)
                if out_dir:
                    out_file = file_utils.create_dir(out_dir, None, os.path.basename(image_file))
                    print("save result:{}".format(out_file))
                    cv2.imwrite(out_file, image)
            except:
                traceback.print_exc()
                print(image_file, flush=True)

    def search_face_task(self, bgr, thickness=2, fontScale=1.5, delay=0, vis=False):
        """
        1:N人脸搜索任务
        :param bgr: BGR image
        :return:
        """
        face_info = self.detect_search(bgr, max_face=-1, vis=False)
        image = self.draw_result("Recognizer", image=bgr, face_info=face_info,
                                 thickness=thickness, fontScale=fontScale, delay=delay, vis=vis)
        return image, face_info


def parse_opt():
    database = configs.database  # 存储人脸数据库特征路径database
    # image_dir = 'data/database-test'  # 测试图片的目录
    image_dir = 'data/test_image'  # 测试图片的目录
    out_dir = "output/"  # 保存检测结果
    video_file = None  # video_file is None表示进行图片测试
    # video_file = "data/test-video.mp4"  # 视频文件测试
    # video_file = "0"  # 摄像头测试
    parser = argparse.ArgumentParser()
    parser.add_argument('--database', type=str, default=database, help='存储人脸数据库特征路径database')
    parser.add_argument('--image_dir', type=str, default=image_dir, help='image_dir')
    parser.add_argument('--video_file', type=str, default=video_file, help='camera id or video file')
    parser.add_argument('--out_dir', type=str, default=out_dir, help='save result')
    opt = parser.parse_args()
    print(opt)
    return opt


if __name__ == "__main__":
    """1:N人脸搜索,可用于人脸签到、人脸门禁、人员信息查询、安防监控等应用场景"""
    opt = parse_opt()
    fr = Example1(database=opt.database)
    if isinstance(opt.video_file, str) or isinstance(opt.video_file, int):
        opt.video_file = str(opt.video_file)
        if len(opt.video_file) == 1: opt.video_file = int(opt.video_file)
        save_video = os.path.join(opt.out_dir, "result.avi") if opt.out_dir else None
        fr.start_capture(opt.video_file, save_video, detect_freq=1, vis=True)
    else:
        fr.detect_image_dir(opt.image_dir, opt.out_dir, vis=True)

（6）配置文件config

项目配置文件configs/configs.py，用于设置人脸检测模型，特征提取模型，可以根据自己的需要选择

人脸检测模型,目前支持RFB和MTCNN人脸检测
人脸识别(特征提取)模型，目前支持resnet50,resnet18和mobilenet_v2模型

人脸识别特征提取模型，提供resnet50,resnet18和mobilenet_v2 ，其测试准确率，参考如下:

模型	LFW	CFP_FF	CFP_FP	AgeDB	CALFW	CPLFW
resnet50	99.78	99.69	98.14	97.53	95.87	92.45
resnet18	99.55	99.61	97.74	96.52	94.66	90.01
mobilenet_v2	99.23	99.27	90.74	93.22	93.57	88.69

resnet50和resnet18参数量比较大，计算量较大，适合在PC服务器部署；而mobilenet_v2

模型计算量较小，适合嵌入式，开发板，Android等终端部署。

# -*-coding: utf-8 -*-
import torch
import os

root = os.path.dirname(os.path.dirname(__file__))

det_thresh = 0.5  # 人脸检测阈值，小于该阈值的检测框会被剔除
rec_thresh = 0.5  # 人脸识别阈值，小于该阈值的人脸识别结果为unknown，表示未知
# 人脸检测模型,目前支持RFB和MTCNN人脸检测
DETECTOR = {
    # "net_name": "RFB",
    "net_name": "MTCNN",
}

# 人脸识别(特征提取)模型配置文件，目前支持resnet50,resnet18和mobilenet_v2模型
FEATURE = {
    "net_name": "resnet50",
    # "net_name": "resnet18",
    # "net_name": "mobilenet_v2",
    "input_size": (112, 112),
    "embedding_size": 512
}

# 人脸数据库图像路径,用于注册人脸
portrait = "./data/database/portrait"
# 人脸数据库特征路径database(注册人脸后生成的特征文件)
database = os.path.join(os.path.dirname(portrait), "database-{}.json".format(FEATURE['net_name']))

# 运行设备
# device = "cpu"
device = "cuda:0" if torch.cuda.is_available() else "cpu"

（7）人脸识别优化建议

人脸识别依赖人脸检测，一个高精度的人脸检测模型算法，可以有效提高人脸识别的准确率
人脸校准算法可以矫正人脸倾斜等问题，可以极大提高人脸识别效果；需要依赖人脸关键点检测(Landmark)，本项目使用的RFB和MTCNN模型都可预测人脸关键点
人脸识别中，待识别人脸图片，如果存在低头侧脸，或者人脸存在遮挡等情况，人脸识别准确率较低(可能被识别为unknown)，实际使用过程中，需要用户配合，正对着摄像头，以提高人脸识别准确率的效果。
1:N人脸搜索中，要求注册底库的人脸数据库是高质量的个人照片；建议每人需要提供一张高清的、不模糊的、少美颜的，五官清晰可见的，正脸的，不低头不侧脸的个人自拍照(生活照、证件照)，以便可以生成高质量的人脸特征
1:N人脸搜索中，当N属于百万级别以上海量人脸数据时，人脸识别会比较慢，毕竟需要遍历人脸进行特征匹配，性能较差；解决方法是可以采用人脸特征聚类，分而治之的思路；目前已有很多开源框架，感兴趣的可以参考Faiss 、milvus等库。
目前，项目暂不支持人脸真伪鉴别(活体识别)，后续计划开发基于RGB的活体识别功能，敬请期待哈

4. 人脸识别Demo效果

下图是Python版本的人脸识别Demo效果，图中绘制了绿色框，框上面文本是人脸识别结果和匹配相似度(置信度)；当置信度小于rec_thresh=0.5时，人脸识别结果为unknown，表示未知。

5. 人脸识别C/C++版本源码下载

参考文章《人脸检测和人脸识别3：C/C++实现人脸检测和人脸识别》https://blog.csdn.net/guyuealian/article/details/130600571

C/C++版本人脸识别效果	Python版本人脸识别效果

6. 人脸识别Android版本源码下载

参考文章《人脸检测和人脸识别4：Android实现人脸检测和人脸识别》https://blog.csdn.net/guyuealian/article/details/130600600

7. 人脸识别Python版本源码下载

InsightFace人脸识别Python版本源码下载：人脸识别2：Python实现人脸识别Face Recognition(含源码)

项目源码包含内容：

提供两种人脸检测方法：一种是基于MTCNN的通用人脸检测模型，另一种是轻量化的、快速的RFB人脸检测模型；这个两个模型都能实现人脸检测，并同时预测人脸的五个关键点(Landmark)。
提供三个人脸识别特征提取模型：mobilenet_v2，IR-18(resnet18优化版)以及IR-50(resnet50优化版)，用于人脸特征提取
提供1:1人脸比对：face_compare.py，可用于人证比对等场景
提供人脸注册功能：register.py，项目自带人脸识别测试数据，可用于验证人脸识别效果
提供1:N人脸搜索：face_search.py，可用于人脸签到、人脸门禁、人员信息查询、安防监控等应用场景
项目1:N人脸搜索：face_search.py，支持图片，视频和摄像头测试

AI吃大瓜

关注

36
点赞
踩
286

收藏

觉得还不错? 一键收藏
打赏
15
评论
人脸识别2：InsightFace实现人脸识别Face Recognition(含源码下载)

InsightFace人脸识别，基于开源ArcFace(也称InsightFace)模型搭建一套完整的Python版本人脸识别系统（Face Recognition or Face Identification）；整套人脸识别系统核心算法包含人脸检测和人脸关键点检测，人脸校准，人脸特征提取以及人脸比对(1:1)和人脸搜索(1:N)。
复制链接

扫一扫