人脸识别3：C/C++ InsightFace实现人脸识别Face Recognition(含源码)

最新推荐文章于 2024-03-28 18:52:43 发布
最新推荐文章于 2024-03-28 18:52:43 发布
阅读量9.5k 收藏 139
点赞数 11
分类专栏： 深度学习 文章标签： 人脸识别 人脸检测 c++ c++人脸识别 opencv人脸识别
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/130600571
版权

人脸识别3：C/C++ InsightFace实现人脸识别Face Recognition(含源码)

目录

1. 前言

2. 项目安装

（1）项目结构

（2）配置开发环境(OpenCV+OpenCL+base-utils+TNN)

（3）部署TNN模型

（4）CMake配置

（5）编译运行 

3. 人脸识别系统

（1）人脸识别的核心算法

（2）人脸检测和关键点检测

（3）人脸校准

（4）人脸特征提取

（5）人脸比对(1:1)

（6）人脸搜索(1:N)

（7）配置文件config

（8）人脸识别优化建议

4. 人脸识别C/C++ Demo效果

5. 人脸识别Python版本源码下载

6. 人脸识别Android版本源码下载

7. 人脸识别Python版本源码下载

1. 前言

这是项目《人脸识别Face Recognition》系列之《C/C++ InsightFace实现人脸识别Face Recognition》；项目基于开源ArcFace(也称InsightFace)模型搭建一套完整的C/C++人脸识别系统（Face Recognition or Face Identification）；我们将开发一个简易的、可实时运行的人脸识别C/C++ Demo。C/C ++版本人脸识别模型推理支持CPU和GPU加速，在GPU(OpenCL)加速下，可以达到实时的人脸识别效果，非常适合在Linux开发板和Android系统开发板上部署。

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99.78%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。

C/C++版本人脸检测和人脸识别效果

PS：由于opencv不支持显示中文，绘图时用姓名拼音首字母代替

C/C++版本人脸识别效果Python版本人脸识别效果

【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/130600571

更多项目《人脸识别Face Recognition》系列文章请参考：

  1. 人脸识别1：人脸识别数据集https://blog.csdn.net/guyuealian/article/details/130600545
  2. 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
  3. 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
  4. 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

ccd0e425827b4cad815f3d05447f37e6.gif

2. 项目安装

项目IDE开发工具使用CLion，相关依赖库主要有OpenCV，base-utils以及TNN和OpenCL(可选)，其中OpenCV必须安装，OpenCL用于模型加速，base-utils以及TNN已经配置好，无需安装；

项目仅在Ubuntu18.04进行测试，Windows系统下请自行配置好开发环境。

（1）项目结构

（2）配置开发环境(OpenCV+OpenCL+base-utils+TNN)

项目仅在Ubuntu18.04进行测试，Windows系统下请自行配置和编译

  • 安装OpenCV：图像处理

图像处理（如读取图片，图像裁剪等）都需要使用OpenCV库进行处理

安装教程：Ubuntu18.04安装opencv和opencv_contrib_AI吃大瓜的博客-CSDN博客_opencv opencv_contrib ubuntu

OpenCV库使用opencv-4.3.0版本，opencv_contrib库暂时未使用，可不安装

  • 安装OpenCL：模型加速

 安装教程：Ubuntu16.04 安装OpenCV&OpenCL_xiaozl_284的博客-CSDN博客_clinfo源码下载

OpenCL用于模型GPU加速，若不使用OpenCL进行模型推理加速，纯C++推理模型，速度会特别特别慢

  • base-utils：C++库

GitHub：https://github.com/PanJinquan/base-utils （无需安装，项目已经配置了）

base_utils是个人开发常用的C++库，集成了C/C++ OpenCV等常用的算法

  • TNN：模型推理

GitHub：https://github.com/Tencent/TNN （无需安装，项目已经配置了）

由腾讯优图实验室开源的高性能、轻量级神经网络推理框架，同时拥有跨平台、高性能、模型压缩、代码裁剪等众多突出优势。TNN框架在原有Rapidnet、ncnn框架的基础上进一步加强了移动端设备的支持以及性能优化，同时借鉴了业界主流开源框架高性能和良好拓展性的特性，拓展了对于后台X86, NV GPU的支持。手机端 TNN已经在手机QQ、微视、P图等众多应用中落地，服务端TNN作为腾讯云AI基础加速框架已为众多业务落地提供加速支持。

（3）部署TNN模型

项目模型推理采用TNN部署框架（支持多线程CPU和GPU加速推理）；图像处理采用OpenCV库，模型加速采用OpenCL，在普通电脑设备即可达到实时处理。

（4）CMake配置

这是CMakeLists.txt，其中主要配置OpenCV+OpenCL+base-utils+TNN这四个库，Windows系统下请自行配置和编译

cmake_minimum_required(VERSION 3.5)
project(Detector)
add_compile_options(-fPIC) # fix Bug: can not be used when making a shared object
set(CMAKE_CXX_FLAGS "-Wall -std=c++11 -pthread")
#set(CMAKE_CXX_FLAGS_RELEASE "-O2 -DNDEBUG")
#set(CMAKE_CXX_FLAGS_DEBUG "-g")

if (NOT CMAKE_BUILD_TYPE AND NOT CMAKE_CONFIGURATION_TYPES)
    # -DCMAKE_BUILD_TYPE=Debug
    # -DCMAKE_BUILD_TYPE=Release
    message(STATUS "No build type selected, default to Release")
    set(CMAKE_BUILD_TYPE "Release" CACHE STRING "Build type (default Debug)" FORCE)
endif ()


# opencv set
find_package(OpenCV REQUIRED)
include_directories(${OpenCV_INCLUDE_DIRS} ./src/)
#MESSAGE(STATUS "OpenCV_INCLUDE_DIRS = ${OpenCV_INCLUDE_DIRS}")

# base_utils
set(BASE_ROOT 3rdparty/base-utils) # 设置base-utils所在的根目录
add_subdirectory(${BASE_ROOT}/base_utils/ base_build) # 添加子目录到build中
include_directories(${BASE_ROOT}/base_utils/include)
include_directories(${BASE_ROOT}/base_utils/src)
MESSAGE(STATUS "BASE_ROOT = ${BASE_ROOT}")


# TNN set
# Creates and names a library, sets it as either STATIC
# or SHARED, and provides the relative paths to its source code.
# You can define multiple libraries, and CMake builds it for you.
# Gradle automatically packages shared libraries with your APK.
# build for platform
if (CMAKE_SYSTEM_NAME MATCHES "Android")
    set(TNN_OPENCL_ENABLE ON CACHE BOOL "" FORCE)
    set(TNN_ARM_ENABLE ON CACHE BOOL "" FORCE)
    set(TNN_BUILD_SHARED OFF CACHE BOOL "" FORCE)
    set(TNN_OPENMP_ENABLE ON CACHE BOOL "" FORCE)  # Multi-Thread
    #set(TNN_HUAWEI_NPU_ENABLE OFF CACHE BOOL "" FORCE)
    add_definitions(-DTNN_OPENCL_ENABLE)           # for OpenCL GPU
    add_definitions(-DTNN_ARM_ENABLE)              # for Android CPU
    add_definitions(-DDEBUG_ANDROID_ON)            # for Android Log
    add_definitions(-DPLATFORM_ANDROID)
elseif (CMAKE_SYSTEM_NAME MATCHES "Linux")
    set(TNN_OPENCL_ENABLE ON CACHE BOOL "" FORCE)
    set(TNN_CPU_ENABLE ON CACHE BOOL "" FORCE)
    set(TNN_X86_ENABLE ON CACHE BOOL "" FORCE)
    set(TNN_QUANTIZATION_ENABLE OFF CACHE BOOL "" FORCE)
    set(TNN_OPENMP_ENABLE ON CACHE BOOL "" FORCE)  # Multi-Thread
    add_definitions(-DTNN_OPENCL_ENABLE)           # for OpenCL GPU
    add_definitions(-DDEBUG_ON)                    # for WIN/Linux Log
    add_definitions(-DDEBUG_LOG_ON)                # for WIN/Linux Log
    add_definitions(-DDEBUG_IMSHOW_OFF)            # for OpenCV show
    add_definitions(-DPLATFORM_LINUX)
elseif (CMAKE_SYSTEM_NAME MATCHES "Windows")
    set(TNN_OPENCL_ENABLE ON CACHE BOOL "" FORCE)
    set(TNN_CPU_ENABLE ON CACHE BOOL "" FORCE)
    set(TNN_X86_ENABLE ON CACHE BOOL "" FORCE)
    set(TNN_QUANTIZATION_ENABLE OFF CACHE BOOL "" FORCE)
    set(TNN_OPENMP_ENABLE ON CACHE BOOL "" FORCE)  # Multi-Thread
    add_definitions(-DTNN_OPENCL_ENABLE)           # for OpenCL GPU
    add_definitions(-DDEBUG_ON)                    # for WIN/Linux Log
    add_definitions(-DDEBUG_LOG_ON)                # for WIN/Linux Log
    add_definitions(-DDEBUG_IMSHOW_OFF)            # for OpenCV show
    add_definitions(-DPLATFORM_WINDOWS)
endif ()
set(TNN_ROOT 3rdparty/TNN)
include_directories(${TNN_ROOT}/include)
include_directories(${TNN_ROOT}/third_party/opencl/include)
add_subdirectory(${TNN_ROOT}) # 添加外部项目文件夹
set(TNN -Wl,--whole-archive TNN -Wl,--no-whole-archive)# set TNN library
MESSAGE(STATUS "TNN_ROOT = ${TNN_ROOT}")


# dlcv库
include_directories(src)
set(SRC_LIST
        src/face_alignment.cpp
        src/face_recognizer.cpp
        src/face_feature.cpp
        src/object_detection.cpp
        src/Interpreter.cpp
        )
add_library(dlcv SHARED ${SRC_LIST})
target_link_libraries(dlcv
        ${TNN}
        ${OpenCV_LIBS}
        base_utils)
MESSAGE(STATUS "DIR_SRCS = ${SRC_LIST}")


# demo
add_executable(test_face_landmark test_face_landmark.cpp)
add_executable(test_alignment test_alignment.cpp)
add_executable(test_compare_face test_compare_face.cpp)
add_executable(test_register test_register.cpp)
add_executable(test_search_face test_search_face.cpp)


target_link_libraries(test_face_landmark dlcv -lpthread)
target_link_libraries(test_alignment dlcv -lpthread)
target_link_libraries(test_compare_face dlcv -lpthread)
target_link_libraries(test_register dlcv -lpthread)
target_link_libraries(test_search_face dlcv -lpthread)

（5）编译运行 

在Ubuntu系统终端输入： bash build.sh

#!/usr/bin/env bash
if [ ! -d "build/" ];then
  mkdir "build"
else
  echo "exist build"
fi
cd build
cmake ..
make -j4
sleep 1

# 测试人脸检测和关键点检测效果
./test_face_landmark
# 测试人脸校准效果
./test_alignment
#  测试人脸识别1:1比对
./test_compare_face
# 测试注册人脸，生成人脸数据库
./test_register
# 测试1:N人脸搜索,支持测试图片，视频和摄像头
./test_search_face

./test_face_landmark ：测试人脸检测和关键点检测效果

./test_alignment ：测试人脸校准效果

./test_compare_face ：测试人脸识别1:1比对

./test_register ：测试注册人脸，生成人脸数据库

./test_search_face ：测试1:N人脸搜索,支持测试图片，视频和摄像头

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：

11acfa2ee6eb40818544226505ff4a92.png

（1）人脸识别的核心算法

项目src/face_recognizer.h实现了人脸识别的核心算法，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)等功能，用于可以参考该头文件，实现人脸识别的基本功能

//
// Created by 390737991@qq.com on 2018/6/3.
//


#ifndef FACE_RECOGNITION_H
#define FACE_RECOGNITION_H

#include "Types.h"
#include "face_feature.h"
#include "object_detection.h"
#include <map>

using namespace std;

typedef map<string, vector<float>> FeatureData;


namespace dl {
    namespace vision {
        class FaceRecognizer {
        public:

            /***
             * 初始化人脸识别
             * @param det_tnnmodel 人脸检测模型 *.tnnmodel参数文件路径（含后缀名）
             * @param det_tnnproto 人脸检测模型 *.tnnproto模型文件路径（含后缀名）
             * @param rec_tnnmodel 人脸特征提取模型 *.tnnmodel参数文件路径（含后缀名）
             * @param rec_tnnproto 人脸特征提取模型 *.tnnproto模型文件路径（含后缀名）
             * @param database 人脸数据库特征路径database(注册人脸后生成的特征文件)
             * @param embeddingSize 特征维度
             * @param alignment 是否进行人脸校准
             * @param num_thread 开启线程数(CPU)
             * @param device 运行设备，支持CPU和GPU(OpenCL)
             */
            FaceRecognizer(string det_tnnmodel,
                           string det_tnnproto,
                           string rec_tnnmodel,
                           string rec_tnnproto,
                           string database,
                           int embeddingSize = 512,
                           bool alignment = true,
                           int num_thread = 4,
                           DeviceType device = CPU);

            /**
             * release space
             */
            ~FaceRecognizer();

            /***
             * 清空人脸数据库(会删除所有已经注册的人脸数据，谨慎操作)
             */
            void clearDatabase();


            /***
             * 注册人脸
             * @param face_id  输入人脸ID(如姓名、学号，身份证等标识)
             * @param face_fea 输入人脸特征
             */
            bool add_face(string face_id, vector<float> face_fea);


            /***
             * 注册人脸(会进行人脸检测，人脸校准和人脸特征提取)
             * @param face_id  输入人脸ID(如姓名、学号，身份证等标识)
             * @param imgBGR 输入原始图像(必须只包含一个人)
             * @param frameInfo 输出人脸检测结果
             * @param det_conf_thresh 人脸检测置信度阈值
             * @param det_iou_thresh  人脸检测NMS的IOU阈值
             */
            bool add_face(string face_id, cv::Mat &imgBGR, FrameInfo &frameInfo,
                          float det_conf_thresh, float det_iou_thresh);

            /***
             * 注销(删除)人脸
             * @param face_id 输入人脸ID(如姓名、学号，身份证等标识)
             */
            void del_face(string face_id);

            /***
             * 获取人脸特性底库数据
             * @return
             */
            FeatureData getDatabase();

            /***
             * 设置人脸特性底库数据
             * @param face_database
             */
            void setDatabase(FeatureData &face_database);

            /***
             * 生成人脸特征底库数据
             * @param portrait  人脸数据库图像路径,用于注册人脸
             * @param det_conf_thresh 人脸检测置信度阈值
             * @param det_iou_thresh  人脸检测NMS的IOU阈值
             * @param alignment      是否进行人脸校准
             * @return
             */
            int createDatabase(string portrait, float det_conf_thresh = 0.5, float det_iou_thresh = 0.3);


            int update();

            /***
             * 保存人脸特征地库数据
             * @return
             */
            int save();


            /**
             * 加载人脸特征地库数据
             * @param database  人脸地库数据的目录
             * @return
             */
            int load(string database);


            /***
             * 人脸特征匹配
             * @param faceInfo 人脸信息（单个人脸）
             * @param rec_conf_thresh 人脸识别阈值，低于该值，人脸ID为unknown，表示未知
             */
            void embeddingMatching(ObjectInfo *faceInfo, float rec_conf_thresh = 0.8);


            /***
             * 人脸特征匹配
             * @param frameInfo  人脸信息（多个人脸）
             * @param rec_conf_thresh 人脸识别阈值，低于该值，人脸ID为unknown，表示未知
             */
            void searchFace(FrameInfo *frameInfo, float rec_conf_thresh = 0.8);


            /***
             * 进行人脸检测
             * @param imgBGR 输入BGR格式图片
             * @param frameInfo 输出人脸信息（多个人脸）
             * @param max_face  最大人脸个数，默认为-1，表示全部人脸
             * @param det_conf_thresh 人脸检测置信度阈值
             * @param det_iou_thresh 人脸检测IOU阈值
             */
            void detectFace(cv::Mat &imgBGR, FrameInfo *frameInfo,
                            float det_conf_thresh = 0.5, float det_iou_thresh = 0.5);


            /***
             * 提取人脸特征
             * @param imgBGR 输入BGR格式图片
             * @param frameInfo 输入人脸信息（多个人脸）
             * @param alignment 是否进行人脸校准
             * @return
             */
            int getFeature(cv::Mat &imgBGR, FrameInfo *frameInfo, bool alignment);


            /***
             * 进行人脸检测和人脸校准，并提取人脸特征,相当于detectFace+getFeature
             * @param imgBGR 输入BGR格式图片
             * @param frameInfo 输出人脸信息（多个人脸）
             * @param max_face  最大人脸个数，默认为-1，表示全部人脸
             * @param det_conf_thresh 人脸检测置信度阈值
             * @param det_iou_thresh 人脸检测IOU阈值
             */
            void detectExtractFeature(cv::Mat &imgBGR,
                                      FrameInfo *frameInfo,
                                      int max_face = -1,
                                      float det_conf_thresh = 0.5,
                                      float det_iou_thresh = 0.5);

            /***
             * 进行人脸检测,1:N人脸搜索
             * @param imgBGR      BGR图像
             * @param frameInfo  输入/输出人脸识别结果
             * @param det_conf_thresh 人脸检测置信度阈值
             * @param det_iou_thresh 人脸检测IOU阈值
             * @param rec_conf_thresh  人脸识别阈值，低于该值，人脸ID为-1，表示未知
             * @param alignment 是否需要进行人脸校准，FrameInfo需要提供5个人脸关键点进行人脸校准
             */
            void detectSearch(cv::Mat &imgBGR,
                              FrameInfo *frameInfo,
                              int max_face = -1,
                              float det_conf_thresh = 0.5,
                              float det_iou_thresh = 0.5,
                              float rec_conf_thresh = 0.5);


            /***
             * 进行人脸检测,1:1人脸比对
             * @param image1
             * @param image2
             * @param face_info1
             * @param face_info2
             * @param det_conf_thresh
             * @param det_iou_thresh
             * @return
             */
            float compareFace(cv::Mat &image1, cv::Mat &image2,
                              FrameInfo *face_info1, FrameInfo *face_info2,
                              float det_conf_thresh, float det_iou_thresh);

            /***
             * 比较两个人脸特征的相似分数，值越大，越相似
             * @param feature1 人脸特征
             * @param feature2 人脸特征
             * @return 返回两个特征的相似性，取值范围(0,1.0)
             */
            static float compareFeature(vector<float> &feature1, vector<float> &feature2);

            /***
             * 比较两个特征的相似距离(欧式距离)，值越小，越相似
             * @param feature1 人脸特征
             * @param feature2 人脸特征
             * @return 返回两个特征的欧式距离，取值范围(0,+∞)
             */
            static float compareDist(vector<float> &feature1, vector<float> &feature2);


            /***
             * 人脸距离到人脸相似分数的映射
             * @param x    欧式距离的值
             * @param mean 均值,默认meam=1.40
             * @param std  方差,默认std=0.2
             * @return     返回人脸相似分数(0,1),值越大越相似
             */
            static float getScore(float x, float mean = 1.40f, float std = 0.2f);


            /***
             * 可视化人脸识别结果
             * @param imgBRG
             * @param frameInfo
             * @param waitKey
             */
            static cv::Mat visualizeResult(string title, cv::Mat &imgBRG, FrameInfo *frameInfo, int waitKey = 0);


        private:
            string database;
            int mEmbeddingSize;
            bool mAlignment = true;
            ObjectDetection *pFaceDetector = nullptr;
            FaceFeature *pFaceFeature = nullptr;
            FeatureData mDataBase; // 人脸特征DataBase
        };
    }
}


#endif //

（2）人脸检测和关键点检测

人脸检测的方法比较多，项目Python版本人脸识别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)。C/C++版本版本只提供RFB人脸检测和关键点检测模型。

模型Paper源码说明
MTCNNPaperLink
  • 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
RFBPaperLink
  • 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
  • 项目test_face_landmark.cpp实现了人脸检测和关键检测的功能，编译完成后，终端运行
# 测试人脸检测和关键点检测效果
./test_face_landmark

下图是RFB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

 

（3）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src/face_alignment.h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，而【FaceAlignment】是最终矫正的人脸效果图。

  •  项目test_alignment.cpp实现了人脸校准的功能，编译完成后，终端运行
# 测试人脸校准效果
./test_alignment

（4）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LFWCFP_FFCFP_FPAgeDBCALFWCPLFW
resnet5099.7899.6998.1497.5395.8792.45
resnet1899.5599.6197.7496.5294.6690.01
mobilenet_v299.2399.2790.7493.2293.5788.69

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。

（5）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(test_compare_face.cpp)，编译完成后，测试1:1人脸比对，可在终端运行：
#  测试人脸识别1:1比对
./test_compare_face

运行结果如下：  

（6）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

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

  • 由于C++版本的opencv不支持显示中文，绘图时用姓名拼音首字母代替，如刘亦菲，简称LYF；Python版本可正常显示中文字符

 项目test_register.cpp实现人脸数据库(database)人脸注册功能，编译完成后，可在终端运行：

# 图片按照[ID-XXXX.jpg]命名,如:张三-image.jpg，作为人脸识别的底图
# 人脸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
# 测试注册人脸，生成人脸数据库
./test_register

运行结果如下：

 如果需要注册新人 ，请参考如下步骤：

  1. 采集一张新人的个人照片，以张三的照片为例子
  2. 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
  3. 然后运行test_register，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

  • 项目test_search_face.cpp实现了1:N人脸搜索功能，支持图片，视频和摄像头测试，编译完成后，终端输入：
# 测试1:N人脸搜索,支持测试图片，视频和摄像头
./test_search_face

//
// Created by 390737991@qq.com on 2018/6/3.
//
#include <string>
#include <vector>
#include <debug.h>
#include "object_detection.h"
#include "face_recognizer.h"
#include "config.h"
#include "file_utils.h"
#include <opencv2/opencv.hpp>

using namespace std;
using namespace dl;
using namespace vision;

/***
 * 1:N人脸搜索,测试图片文件
 */
void test_search_face_image() {
    // 测试图片数据
    string image_dir = "../data/test_image";
    string output = "../output";
    //初始化人脸识别
    FaceRecognizer *faceReg = new FaceRecognizer(det_tnnmodel,
                                                 det_tnnproto,
                                                 rec_tnnmodel,
                                                 rec_tnnproto,
                                                 database,
                                                 embeddingSize,
                                                 alignment,
                                                 num_thread,
                                                 GPU);
    // 获得所有图片
    std::vector<string> image_list = get_files_list(image_dir);
    for (const string &image_file:image_list) {
        string basename = get_basename(image_file);
        printf("load image file: %s\n", image_file.c_str());
        // 读取测试图片
        cv::Mat bgr_image = cv::imread(image_file);
        if (bgr_image.empty()) continue;
        // 创建FrameInfo结构体，用于缓存检测和识别等结果
        FrameInfo frameInfo;
        // 进行1:N人脸搜索
        faceReg->detectSearch(bgr_image, &frameInfo, -1, det_conf_thresh, det_iou_thresh, rec_conf_thresh);
        // 可视化人脸识别结果
        cv::Mat vis_image = dl::vision::FaceRecognizer::visualizeResult("Recognizer", bgr_image, &frameInfo, 0);
        string out_file = path_joint(output, basename);
        printf("save image file: %s\n", out_file.c_str());
        image_save(out_file, vis_image);
    }

    delete faceReg;
    faceReg = nullptr;
    printf("FINISHED.\n");
}

/***
 * 1:N人脸搜索,测试视频文件
 */
void test_search_face_video() {
    //视频文件夹
    string video_file = "../data/test-video.mp4";
    //初始化人脸识别
    FaceRecognizer *faceReg = new FaceRecognizer(det_tnnmodel,
                                                 det_tnnproto,
                                                 rec_tnnmodel,
                                                 rec_tnnproto,
                                                 database,
                                                 embeddingSize,
                                                 alignment,
                                                 num_thread,
                                                 GPU);
    cv::VideoCapture cap;
    bool ret = get_video_capture(video_file, cap);
    cv::Mat frame;
    while (ret) {
        cap >> frame;
        if (frame.empty()) break;
        // 创建FrameInfo结构体，用于缓存检测和识别等结果
        FrameInfo frameInfo;
        // 进行1:N人脸搜索
        faceReg->detectSearch(frame, &frameInfo, -1, det_conf_thresh, det_iou_thresh, rec_conf_thresh);
        // 可视化人脸识别结果
        dl::vision::FaceRecognizer::visualizeResult("Recognizer", frame, &frameInfo, 30);
    }
    cap.release();
    delete faceReg;
    faceReg = nullptr;
}

/***
 * 1:N人脸搜索,测试摄像头
 */
void test_search_face_camera() {
    //摄像头ID号(请修改成自己摄像头ID号)
    string video_file = 0;
    //初始化人脸识别
    FaceRecognizer *faceReg = new FaceRecognizer(det_tnnmodel,
                                                 det_tnnproto,
                                                 rec_tnnmodel,
                                                 rec_tnnproto,
                                                 database,
                                                 embeddingSize,
                                                 alignment,
                                                 num_thread,
                                                 GPU);
    cv::VideoCapture cap;
    bool ret = get_video_capture(video_file, cap);
    cv::Mat frame;
    while (ret) {
        cap >> frame;
        if (frame.empty()) break;
        // 创建FrameInfo结构体，用于缓存检测和识别等结果
        FrameInfo frameInfo;
        // 进行1:N人脸搜索
        faceReg->detectSearch(frame, &frameInfo, -1, det_conf_thresh, det_iou_thresh, rec_conf_thresh);
        // 可视化人脸识别结果
        dl::vision::FaceRecognizer::visualizeResult("Recognizer", frame, &frameInfo, 30);
    }
    cap.release();
    delete faceReg;
    faceReg = nullptr;

}


int main() {
    /***测试1:N人脸搜索，需要注册人脸，生成人脸数据库(test_register.cpp)***/
    test_search_face_image();  //1:N人脸搜索,测试图片文件
    test_search_face_video();  //1:N人脸搜索,测试视频文件
    test_search_face_camera();  //1:N人脸搜索,测试摄像头
    return 0;
}

（7）配置文件config

项目配置文件src/config.h，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

  • C++版本的人脸检测模型,目前仅支持RFB人脸检测和关键点检测
  • 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LFWCFP_FFCFP_FPAgeDBCALFWCPLFW
resnet5099.7899.6998.1497.5395.8792.45
resnet1899.5599.6197.7496.5294.6690.01
mobilenet_v299.2399.2790.7493.2293.5788.69

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。

//
// Created by dm on 2018/5/12.
//

#ifndef DETECTOR_CONFIG_H
#define DETECTOR_CONFIG_H

#include <string>
#include <vector>
#include "Interpreter.h"

static int num_thread = 1;                                 // 开启线程数(CPU)
static DeviceType device = GPU;                            // 使用GPU运行，支持CPU和GPU(OpenCL)
//static DeviceType device = CPU;                          // 还有CPU运行，支持CPU和GPU(OpenCL)
static float det_conf_thresh = 0.5;                        // 人脸检测置信度阈值，小于该阈值的检测框会被剔除
static float det_iou_thresh = 0.3;                         // 人脸检测IOU阈值
static float rec_conf_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
static int embeddingSize = 512;                            // 特征维度
static bool alignment = true;                              // 是否进行人脸校准
static string portrait = "../data/database/portrait";      // 人脸数据库图像路径,用于注册人脸
static string database = "../data/database/feature";       // 人脸数据库特征路径database(注册人脸后生成的特征文件)
static string rec_tnnmodel = "../data/tnn/recognition/mobilenet_v2.sim.tnnmodel";             // 人脸检测模型 *.tnnmodel参数文件路径
static string rec_tnnproto = "../data/tnn/recognition/mobilenet_v2.sim.tnnproto";             // 人脸检测模型 *.tnnproto模型文件路径
//static string rec_tnnmodel = "../data/tnn/recognition/resnet18.sim.tnnmodel";               // 人脸检测模型 *.tnnmodel参数文件路径
//static string rec_tnnproto = "../data/tnn/recognition/resnet18.sim.tnnproto";               // 人脸检测模型 *.tnnproto模型文件路径
//static string rec_tnnmodel = "../data/tnn/recognition/resnet50.sim.tnnmodel";               // 人脸检测模型 *.tnnmodel参数文件路径
//static string rec_tnnproto = "../data/tnn/recognition/resnet50.sim.tnnproto";               // 人脸检测模型 *.tnnproto模型文件路径
static string det_tnnmodel = "../data/tnn/face_ldmks/rfb_landm_face_320_320_sim.opt.tnnmodel";// 人脸特征提取模型 *.tnnmodel参数文件路径
static string det_tnnproto = "../data/tnn/face_ldmks/rfb_landm_face_320_320_sim.opt.tnnproto";// 人脸特征提取模型 *.tnnproto模型文件路径
#endif //DETECTOR_CONFIG_H

（8）人脸识别优化建议

  1. 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
  2. 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模型预测人脸关键点
  3. 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。
  4. 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
  5. 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。
  6. 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C/C++ Demo效果

下图是C/C++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。由于C++版本的opencv不支持显示中文，绘图时用姓名拼音首字母代替，如刘亦菲，简称LYF；Python版本可正常显示中文字符

C/C++版本人脸识别效果Python版本人脸识别效果

5. 人脸识别Python版本源码下载

参考文章 《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

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

C/C++ InsightFace实现人脸识别Face Recognition项目含源码下载地址：

项目源码包含内容：人脸识别3：C/C++ InsightFace实现人脸识别Face Recognition(含源码)

  1. 提供轻量化的、快速的RFB人脸检测模型，该模型可实现人脸检测，并同时预测人脸的五个关键点(Landmark)。
  2. 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
  3. 提供1:1人脸比对：test_compare_face.cpp，可用于人证比对等场景
  4. 提供人脸注册功能：test_register.cpp，项目自带人脸识别测试数据，可用于验证人脸识别效果
  5. 提供1:N人脸搜索：test_search_face.cpp，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
  6. 项目1:N人脸搜索：test_search_face.cpp，支持图片，视频和摄像头测试

AI吃大瓜
关注
  • 11
    点赞
  • 踩
  • 139
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 7
    评论
专栏目录
人脸识别之insightface开源代码简单使用：训练、验证、测试（3）
kupePoem的专栏
09-01 1722
目录 一、概述 二、模型训练 三、模型验证 一、概述 前面我们制作好了训练所需要的文件：train.rec，property，以及验证时所需要的val.bin，那么接下来就是该探索如何进行数据的训练。 这部分内容相对来说比较简单，毕竟框架和代码都是作者已经写好的，可供更改的内容还是有限的，所以也没有太多技巧的内容，更多就是按部就班的来。 二、模型训练 训练文件在"src"=>"train_softmax.py"文件内： ...
人脸识别3：C++ InsightFace实现人脸识别Face Recognition(含源码).txt
06-15
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
deepface实现人脸识别
09-09
Deepface是一个轻量级的人脸识别和面部属性分析(年龄，性别，情感和种族)的python框架。它是一个混合的人脸识别框架，包
C++实现人脸识别系统
最新发布
m0_54896893的博客
03-28 815
*************************代码来自上海华清远见C++课程老师周锁琴**************************
Linux 基于C语言 调用OCR算法实现人脸识别或者车牌识别
gangan
01-31 977
通过识别照片判断是否为同一人 1.借助工具 1.注册登录 2.选择人脸识别 3.1毛钱购买 2.代码测试 1.借助工具 面部识别靠自己是很做成的，故我们借助一些工具，我们利用翔云智能平台，百度搜索翔云（因为翔云便宜一些。。。） 1.注册登录 进入后，上方选项栏选择价格与购买 2.选择人脸识别 右侧选择人脸识别，以后若有其他需要亦可使用其他 3.1毛钱购买 第一次1毛钱（便宜吧。。。）加入购物车，右侧购车内进行购买 完成后，再次选择上方选项栏的产品，选择人脸识别 可以.
C++实现人脸识别图像读取、预处理、后处理
weixin_39538031的博客
06-02 759
对FPGA计算的人脸识别结果，进行解码，标注
insightface alignment c++
01-29
insightface c++ 人脸关键点并进行对齐矫正 code for face alignment in c++
opencv实现人脸识别(c++实现)
热门推荐
new9232的博客
10-14 1万+
本文章基于opencv + VS2015实现人脸识别。可对人脸，眼睛，嘴部进行识别。
C++Opencv人脸识别案例
qq_45373844的博客
12-08 1318
C++Opencv人脸识别案例
C++实现人脸识别（百度云平台）
qiuweichen1215的博客
03-22 1203
C++实现人脸识别（百度云平台）项目思路：opencv 采集人脸照片，将照片发送至百度智能云平台，百度云平台与人脸库中的数据进行比较并返回结果。一、项目环境二、环境配置1、安装 opencv安装需要等待一段时间，有些系统可能要安装依赖，按照提示安装即可。安装完成后可使用命令安装需要等待一段时间，有些系统可能要安装依赖，按照提示安装即可。安装完成后可使用命令查看安装的状态与版本。不同的系统版本有差别，我这里是 opencv4.2.0，具体版本和使用的软件源有关。安装完成后可先测试。执行编译命令。
人脸识别4：Android InsightFace实现人脸识别Face Recognition(含源码).txt
06-15
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
基于Python的face_recognition库实现人脸识别
01-20
一、face_recognition库简介 face_recognition是Python的一个开源人脸识别库，支持Python 3.3+和Python 2.7。引用官网介绍： Recognize and manipulate faces from Python or from the command line with the world’s simplest face recognition library. 之所以选用这个库，是因为 1、用这个库来实现一个人脸识别程序非常简单，环境配置也很容易； 2、可以直接使用已经训练好的模型，不需要在本地重新训练。一般普通的电脑都可以直接运行识别程序
face_recognition-master_人脸识别_facerecognition_face_
10-04
可移植的人脸识别代码，可用于人脸项目的开发
C++实现的人脸识别系统
10-28
这是一个C++语言开发的人脸识别系统，文件包括说明文档，测试数据，源码等实例。
人脸识别2：InsightFace实现人脸识别Face Recognition(含源码下载).txt
06-15
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)：...
人脸识别程序C#版源码.rar_face recognition_人脸_人脸合成 c#_人脸识别
07-15
关于人脸识别的方面的C#源码经过测试可以用，很好，值得参考
face_recognition_py:基于OpenCV视频人脸识别
05-11
本项目基于OpenCV使用Haar级联与dlib库进行人脸检测及实时跟踪，应用LBPH算法开发了一个功能相对完整的人脸识别系统。系统采用sqlite3进行序列化数据存储，能够对陌生人脸闯入进行报警，并拥有基于PyQt5设计的GUI...
使用C++和OpenCV进行人脸识别，包含模型训练与调用过程
qq_46017342的博客
05-13 8135
使用C++和OpenCV进行人脸识别，包含模型训练与调用过程
使用face_recognition快速实现人脸识别
12-12
使用face_recognition库可以快速实现人脸识别，具体步骤如下： 1.安装face_recognition库，可以使用pip命令进行安装： ```shell pip install face_recognition ``` 2.导入face_recognition库和需要用到的其他库： ```python import face_recognition import cv2 import numpy as np ``` 3.加载已知人脸的图像并进行编码： ```python known_image = face_recognition.load_image_file("known.jpg") known_encoding = face_recognition.face_encodings(known_image)[0] ``` 4.加载待识别的图像并进行编码： ```python unknown_image = face_recognition.load_image_file("unknown.jpg") unknown_encoding = face_recognition.face_encodings(unknown_image)[0] ``` 5.比较已知人脸的编码和待识别人脸的编码，判断是否为同一个人： ```python results = face_recognition.compare_faces([known_encoding], unknown_encoding) if results[0] == True: print("This is the known person!") else: print("This is not the known person!") ``` 需要注意的是，使用face_recognition库进行人脸识别需要保证已知人脸的图像中只有一个人脸，否则需要对已知人脸的编码进行处理。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 7
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AI吃大瓜

尊重原创，感谢支持

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值