win10系统下基于SeetaFace2.0的人脸识别系统的实现

最新推荐文章于 2024-05-14 06:00:00 发布
最新推荐文章于 2024-05-14 06:00:00 发布
阅读量783 收藏 7
点赞数
分类专栏： 人脸识别 计算机视觉 文章标签： 人脸识别 计算机视觉 opencv
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/hallobike/article/details/107598094
版权

项目简介

最近一段时间在网上看到了关于SeetaFace2.0人脸识别引擎的消息，由于之前已经使用SeetaFace1.0做了一个简易的人脸识别系统，此次发布了2.0版本，所以急切地想要改进之前的项目，将算法部分使用2.0版本，来看一下效果。实验发现确实比1.0版本速度要快，精度要高。关于SeetaFace2.0人脸识别引擎的说明和介绍请本人的另一篇博客：SeetaFace2.0：中科视拓开源跨平台C++商业人脸识别库

实现过程

1. 系统环境

本系统使用的是SeetaFace2.0人脸识别算法，VS2019，Qt5.13.0，opencv3.4.1，关于环境配置请参考本人的另一篇博客：win10系统下调通SeetaFace1.0人脸识别引擎

2. 代码实现

由于SeetaFace2.0都是开源的，所以可以直接用它的算法部分代码，自己需要写的代码其实比较少。

#include "MainWindow.h"

MainWindow::MainWindow(QWidget *parent)
	: QMainWindow(parent)
{
	ui.setupUi(this);

	connect(ui.importFace1Button, &QPushButton::clicked, this, &MainWindow::importFace1);
	connect(ui.importFace2Button, &QPushButton::clicked, this, &MainWindow::importFace2);
	connect(ui.faceDetectionButton, &QPushButton::clicked, this, &MainWindow::startSeetaFace);
	connect(ui.faceAlignmentButton, &QPushButton::clicked, this, &MainWindow::startFaceAlignment);
	face1 = nullptr;
	face2 = nullptr;
	faceFlag = true;

	//初始化人脸识别模型
	FDB = new seeta::FaceDatabase(seeta::ModelSetting("./model/fr_2_10.dat", seeta::ModelSetting::CPU, 0));
}

void MainWindow::importFace(int flag)
{
	//不能支持PNG图片
	QString filename = QFileDialog::getOpenFileName(this, "选择图片文件", ".", "*.jpg *.bmp *.gif *.png");
	if (filename.isEmpty()) return;
	if (flag == 1)
	{
		this->face1 = new QImage(filename);
		ui.face1Label->setAlignment(Qt::AlignCenter);
		ui.face1Label->setPixmap(QPixmap::fromImage(*this->face1));//显示图片
	}
	else if (flag == 2)
	{
		this->face2 = new QImage(filename);
		ui.face2Label->setAlignment(Qt::AlignCenter);
		ui.face2Label->setPixmap(QPixmap::fromImage(*this->face2));//显示图片
	}
}

void MainWindow::importFace1()
{
	importFace(1);
}

void MainWindow::importFace2()
{
	importFace(2);
}

void MainWindow::startSeetaFace()
{
	if (this->face1 == nullptr || this->face2 == nullptr)
	{
		QMessageBox::information(this, "提示！", "请先导入两张图！");
		return;
	}

	if (this->faceFlag == false)
	{
		//输出相似度
		ui.similarityLabel->setText(QString("相似度：") + QString::number(0));
	}
	else
	{
		this->face1Mat = QImage2cvMat(*this->face1);
		this->face2Mat = QImage2cvMat(*this->face2);
		//特征比对
		this->result = this->getSimilar(this->face1Mat, this->face1Points, this->face2Mat, this->face2Points);
		//输出相似度
		ui.similarityLabel->setText(QString("相似度：") + QString::number(this->result));
	}
}

void MainWindow::startFaceAlignment()
{
	//初始化
	ui.similarityLabel->setText(QString("相似度："));

	this->faceFlag = true;

	if (this->face1 == nullptr || this->face2 == nullptr)
	{
		QMessageBox::information(this, "提示！", "请先导入两张图！");
		return;
	}

	cv::Mat tempFace1 = QImage2cvMat(*this->face1);
	cv::Mat tempFace2 = QImage2cvMat(*this->face2);
	this->face2Points.clear();
	this->face1Points.clear();
	std::thread t1(&MainWindow::faceDetectionFunc, this, std::ref(tempFace1), std::ref(this->face1Points), "face_detection_face1");
	std::thread t2(&MainWindow::faceDetectionFunc, this, std::ref(tempFace2), std::ref(this->face2Points), "face_detection_face2");
	t1.join();
	t2.join();

	cv::destroyAllWindows();
	cv::imshow("face_detection_face1", tempFace1);
	cv::imshow("face_detection_face2", tempFace2);
}

//人脸检测、81特征点标记
void MainWindow::faceDetectionFunc(cv::Mat& mat, std::vector<SeetaPointF>& facePoints, std::string windName)
{
	//使用多线程处理图片，加快速度
	std::cout << std::this_thread::get_id() << endl;
	seeta::ModelSetting::Device device = seeta::ModelSetting::CPU;
	//初始化模型，需要注意的是，模型文件同一时刻只能打开一次，并且加载模型时需要一定的时间，所以需要进行加锁处理
	this->myMutex.lock();
	seeta::ModelSetting FD_model("./model/fd_2_00.dat", device, 0);
	//关于81点定位之后，得到的人脸相似度结果不理想的原因猜想：
	//图片的尺寸太小，导致81点都挤在了一起，然后进行人脸比对时误差变大
	//seeta::ModelSetting FL_model("./model/pd_2_00_pts81.dat", device, 0);
	seeta::ModelSetting FL_model("./model/pd_2_00_pts5.dat", device, 0);
	this->myMutex.unlock();
	seeta::FaceDetector FD(FD_model);
	seeta::FaceLandmarker FL(FL_model);
	//设置人脸框的最小尺寸，不能小于20
	FD.set(seeta::v2::FaceDetector::PROPERTY_MIN_FACE_SIZE, 20);
	//加载待检测的图片
	seeta::cv::ImageData image = mat.clone();
	//进行人脸检测，获取所有的人脸信息
	SeetaFaceInfoArray facesArr = FD.detect(image);
	for (int i = 0; i < facesArr.size; ++i)
	{
		//当前选择的脸
		auto& currentFace = facesArr.data[i];
		//对该脸进行5点或81点定位
		auto currentFace81Points = FL.mark(image, currentFace.pos);
		//如果是检测到的第一张脸，使用蓝色线条单独标记出来,否则使用红色线条进行标记
		if (i == 0)
		{
			facePoints = currentFace81Points;
			cv::rectangle(mat,
				cv::Rect(currentFace.pos.x, currentFace.pos.y, currentFace.pos.width, currentFace.pos.height),
				CV_RGB(0, 0, 255));
		}
		else
		{
			cv::rectangle(mat,
				cv::Rect(currentFace.pos.x, currentFace.pos.y, currentFace.pos.width, currentFace.pos.height),
				CV_RGB(255, 0, 0));
		}
		//将81个特征点使用绿色标记
		for (auto& point : currentFace81Points)
		{
			cv::circle(mat, cv::Point(point.x, point.y), 2, CV_RGB(0, 255, 0));
		}
	}
	cv::imwrite(windName + ".jpg", mat);

	//未检测到人脸，令faceFlag==false
	if (facesArr.size == 0)
	{
		this->faceFlag = false;
	}
}

float MainWindow::getSimilar(cv::Mat& face1, std::vector<SeetaPointF>& face1Points, cv::Mat& face2, std::vector<SeetaPointF>& face2Points)
{
	seeta::cv::ImageData face1Data = face1;
	seeta::cv::ImageData face2Data = face2;
	//清除之前导入的人脸
	this->FDB->Clear();
	return this->FDB->Compare(face1Data, face1Points.data(), face2Data, face2Points.data());
}

// QImage转CV::Mat
cv::Mat MainWindow::QImage2cvMat(const QImage& inImage, bool inCloneImageData)
{
	switch (inImage.format())
	{
		// 8-bit, 4 channel
	case QImage::Format_ARGB32:
	case QImage::Format_ARGB32_Premultiplied:
	{
		cv::Mat  mat(inImage.height(), inImage.width(),
			CV_8UC4,
			const_cast<uchar*>(inImage.bits()),
			static_cast<size_t>(inImage.bytesPerLine())
		);

		return (inCloneImageData ? mat.clone() : mat);
	}
	// 8-bit, 3 channel
	case QImage::Format_RGB32:
	{
		if (!inCloneImageData)
		{
			qWarning() << "QImageToCvMat() - Conversion requires cloning so we don't modify the original QImage data";
		}

		cv::Mat  mat(inImage.height(), inImage.width(),
			CV_8UC4,
			const_cast<uchar*>(inImage.bits()),
			static_cast<size_t>(inImage.bytesPerLine())
		);

		cv::Mat  matNoAlpha;

		cv::cvtColor(mat, matNoAlpha, cv::COLOR_BGRA2BGR);   // drop the all-white alpha channel

		return matNoAlpha;
	}
	// 8-bit, 3 channel
	case QImage::Format_RGB888:
	{
		if (!inCloneImageData)
		{
			qWarning() << "QImageToCvMat() - Conversion requires cloning so we don't modify the original QImage data";
		}

		QImage   swapped = inImage.rgbSwapped();

		return cv::Mat(swapped.height(), swapped.width(),
			CV_8UC3,
			const_cast<uchar*>(swapped.bits()),
			static_cast<size_t>(swapped.bytesPerLine())
		).clone();
	}

	// 8-bit, 1 channel
	case QImage::Format_Indexed8:
	{
		cv::Mat  mat(inImage.height(), inImage.width(),
			CV_8UC1,
			const_cast<uchar*>(inImage.bits()),
			static_cast<size_t>(inImage.bytesPerLine())
		);

		return (inCloneImageData ? mat.clone() : mat);
	}
	default:
		qWarning() << "QImage2CvMat() - QImage format not handled in switch:" << inImage.format();
		break;
	}
	return cv::Mat();
}

//CV::Mat转QImage
QImage MainWindow::cvMat2QImage(const cv::Mat& inMat)
{
	switch (inMat.type())
	{
		// 8-bit, 4 channel
	case CV_8UC4:
	{
		QImage image(inMat.data, inMat.cols, inMat.rows, static_cast<int>(inMat.step), QImage::Format_ARGB32);
		return image;
	}
	// 8-bit, 3 channel
	case CV_8UC3:
	{
		QImage image(inMat.data, inMat.cols, inMat.rows, static_cast<int>(inMat.step), QImage::Format_RGB888);
		return image.rgbSwapped();
	}
	// 8-bit, 1 channel
	case CV_8UC1:
	{
#if QT_VERSION >= QT_VERSION_CHECK(5, 5, 0)
		QImage image(inMat.data, inMat.cols, inMat.rows, static_cast<int>(inMat.step), QImage::Format_Grayscale8);
#else
		static QVector<QRgb>  sColorTable;

		// only create our color table the first time
		if (sColorTable.isEmpty())
		{
			sColorTable.resize(256);

			for (int i = 0; i < 256; ++i)
			{
				sColorTable[i] = qRgb(i, i, i);
			}
		}

		QImage image(inMat.data,
			inMat.cols, inMat.rows,
			static_cast<int>(inMat.step),
			QImage::Format_Indexed8);

		image.setColorTable(sColorTable);
#endif
		return image;
	}
	default:
		qWarning() << "cvMat2QImage() - cv::Mat image type not handled in switch:" << inMat.type();
		break;
	}
	return QImage();
}

MainWindow::~MainWindow()
{
	if (this->face1 != nullptr) delete this->face1;
	if (this->face2 != nullptr) delete this->face2;
	if (this->FDB != nullptr)delete this->FDB;
	this->face1 = nullptr;
	this->face2 = nullptr;
	this->FDB = nullptr;
}

3.实现效果图
在这里插入图片描述
项目地址
【GitHub】https://github.com/YouthJourney/SeetaFace2.0-VS2019-Qt5.13.0

Hong_Youth
关注
专栏目录
seetaFace实现人脸识别
09-15
通过电脑摄像头进行拍照，找出特征点，通过seetaface中的FaceAlignment，FaceDetection，Identification来进行特征点比对，实现人脸识别功能
基于SeetaFace+VS2017+Qt的人脸识别
08-03
目前计算机视觉技术已经比较成熟，相关的开源项目与算法很多，可以将这些开源算法进行整合，进而做成一个小项目，以供日后学习与研究。本实验主要将利用人脸识别开源项目SeetaFace，结合使用OpenCV工具，结合VS2017与Qt实现一个人脸识别的小项目。最后对实验系统进行测试评估。
基于SEETAFACE2和红外MLX90640的人脸识别系统
shidong01的博客
03-28 822
一、背景 完成了MLX90640的开发以后，楼主发现中科已经发布了SEETAFACE2了，不如把SEETAFACE2作为引擎，构建一个即可温度检测，又可识别人脸的小系统，中科的SEETA1若干年前使用过，比较差，识别率比公布的97%差距很大，这次，看看seetaface2到底效果好不好吧。 二、SEETAFACE2的编译 网上有很多的seetaface2怎么编译的例子，楼主感觉没有写的那么复...
SeetaFace2.0：中科视拓开源跨平台C++商业人脸识别库
hallobike的博客
07-01 770
SeetaFace2.0：中科视拓开源跨平台C++商业人脸识别库 SeetaFace2.0 的人脸识别库，来自中科院计算所的中科视拓团队商业开源，它完全使用 C++编写，支持 Windows、Linux 和 ARM 平台，且不依赖第三方库。人脸识别库中开源的三个模块都取得了很好的性能和很高的运算效率。 SeetaFace2.0 SeetaFace2.0 是一个完整的人脸识别项目，其中包括了人脸检测模块 FaceDetector、面部关键点定位模块 FaceLandmarker 以及人脸特征提取与比对模块 F
SeetaFace开源人脸识别
10-22
SeetaFace人脸识别引擎包括了搭建一套全自动人脸识别系统所需的三个核心模块，即：人脸检测模块（SeetaFace Detection）、面部特征点定位模块（SeetaFace Alignment）以及人脸特征提取与比对模块（SeetaFace Identification） 开源的SeetaFace人脸识别引擎是由中科院计算所山世光研究员带领的人脸识别研究组研发。代码基于C++实现，且不依赖于任何第三方的库函数，开源协议为BSD-2，可供学术界和工业界免费使用。
Java开发基于seetaface6人脸识别（活体检测）的封装源码.zip
04-11
Java开发基于seetaface6人脸识别（活体检测）的封装源码.zipJava开发基于seetaface6人脸识别（活体检测）的封装源码.zipJava开发基于seetaface6人脸识别（活体检测）的封装源码.zipJava开发基于seetaface6人脸识别...
基于SeetaFace2人脸识别智慧课堂签到系统设计与实现.pdf
09-23
"基于SeetaFace2人脸识别智慧课堂签到系统设计与实现" 本文设计了一种基于SeetaFace2的人脸识别智慧课堂签到系统，旨在解决传统签到方式的不足之处。该系统通过调用SeetaFace2的人脸识别算法，比较人脸和照片的...
SeetaFace2.0+VS2019+QT5.13.0人脸识别小项目
07-05
本项目主要将利用人脸识别开源项目SeetaFace，利用OpenCV库，结合VS2019与Qt实现一个人脸识别的小项目，项目效果参考：https://blog.csdn.net/hallobike/article/details/107127219
基于SeetaFace的人脸识别Qt客户端开发工程文档
03-01
### 基于SeetaFace的人脸识别Qt客户端开发工程文档 #### 一、环境配置 **1.1 OpenCV** - **1.1.1 下载地址：** - 地址：...
人脸识别框架SeetaFace之Windows
Mike_Modern的专栏
03-08 7701
开源的SeetaFace人脸识别引擎是由中科院计算所山世光研究员带领的人脸识别研究组研发。代码基于C++实现，且不依赖于任何第三方的库函数，开源协议为BSD-2，可供学术界和工业界免费使用。具体介绍请参考《深度学习大讲堂知乎专栏》https://zhuanlan.zhihu.com/p/22451474Github开源项目:https://github.com/seetaface/SeetaFa...
seetaface_demo
04-04
笔者用中科院山世光老师开源的seetaface做的demo，可方便比对人脸，以及在摄像头上进行人脸识别，我用的是opencv2.4.13，项目里面的include路径和库路径，大家根据自己的实际情况修改。
人脸识别SeetaFace2
09-14
中科院山世光团队开发的人脸识别引擎源码和例子，分三个部分，这是第二部分
华硕笔记本人脸识别解锁软件
07-29
华硕笔记本人脸识别解锁，亲测好用无毒！！！~~~~~~~~~~
seetaface源代码
04-19
seetaface由中科院计算所山世光研究员带领的人脸识别研究组研发。代码基于C++实现，不依赖第三方库。适合学习图形图像识别的人研究研究。
支持 win8 的人脸识别登陆软件 KeyLemon2.7.1
12-13
KeyLemon，完美兼容win8系统，人脸识别登陆！
seetaface2人脸识别
weixin_45946188的博客
12-02 1817
前几天实验室考核要用到seetaface2,给的参考资料是GitHub上官方文档，是用c++写的，但自己只有c语言基础看官方给的代码有点吃力，在网上找了好久都没发现好的参考资料。 然后只能自己摸索，经过几天的尝试后，终于看懂了官方文档，后来有看了看官方的c++头文件，原来用到的函数，在头文件里都有说明和参数介绍，说的还比较清楚。 这里附上github地址：https://github.com/seetaface/SeetaFaceEngine2/blob/master/example/C++...
seetaface的使用
xt0223的博客
04-04 4425
    近来突然对人脸识别感兴趣，网上搜了一下，发现现在开源代码做的很好，一个是大名鼎鼎的opencv，还有一个是中科院山世光老师的seetaface，我用了一下opencv，感觉还有待改进，它的人脸检测识别率不高，失误率也挺大，不过如果采用LBP模板，速度很快，可惜识别率不够，失误率也挺高，它还有3种模板，都是采用haar方式，识别率提高了，失误率也降了下来，但带来一个大问题，速度下降。但它有一...
SeetaFace6人脸识别源码编译和示例运行
vvaa00的专栏
11-24 7462
SeetaFace6人脸识别源码编译和示例运行 SeetaFace6是一个开源人脸识别库，基于C++编写，可以自由的用于商业用途，最早好像是由中科院山世光老师开源并维护的，现在顺着SetaFace能找到的公司叫中科视拓。 一、源码下载 github地址：https://github.com/SeetaFace6Open/index github是官方发布的地方，包含了几乎所有开源的功能，当然也可以点击对应的文件夹打开对应的仓库进行某个组件的下载，我当然是全部下载了的。 gitee地址： 因为github实在
SeetaFace6人脸跟踪C++代码实现Demo
最新发布
mickey2007的博客
05-14 906
在视频中，从检测到人脸帧开始 ，在连续的后续帧中，对目标人脸的运动轨迹和轮廓变化进行持续分析与跟踪。在跟踪过程中，需要用唯一的编号来区分每个被跟踪的人脸，这个编号称为PID。 在连续的视频帧中，当一个人进入视频画面直到离开，其PID不变，通过PID来标识同一个人，只需做一次人脸识别，从而有效提高人脸识别的效率，节省设备算力。
基于DSP的人脸识别系统设计与实现
DSP中的基于DSP的人脸识别系统设计 DSP处理器是数字信号处理系统的核心组件，它可以高速处理大量数据，实现实时信号处理和分析。在人脸识别系统中，DSP处理器扮演着至关重要的角色，它可以快速处理人脸图像数据，...
评论
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

Hong_Youth

您的鼓励将是我创作的动力。

¥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