人脸算法测试

人脸算法测试

本次测试主要测试:

1. Dlib人脸检测 c++
2. 基于SSD 框架的 ResNet-10 restnet face c++
3. 基于caffe 框架的MTCNN人脸检测 c++
4. 基于mxne框架的insightFace人脸识别模型 python
5. 基于Troch的openface模型 c++

实验所用的机器 (Intel® Core™ i7-6700K CPU @ 4.00GHz × 8 GeForce GTX 1060 6GB/PCIe/SSE2)

Dlib(C++)

使用的是Dlib自带d人脸检测,由于原始算法没有采用Dlib人脸识别,因此只测试了Dlib人脸检测

1. Dlib代码参考

	数据库	像素大小	检测数	正确率	检测平均耗时	landmark	模式
cpu	1987	960x540	1336	67.23%	43.3ms	68	Release

注:

1. 使用的Release 模式, Debug模式下,耗时很长
2. 测试代码见TestDlib

Restnet face (C++ )

opencv 的sample使用的模型, Caffe框架, SSD framework using ResNet-10 restnet face

1. 到官网下载模型文件deploy_lowres.prototxt和download_weights.py的文件,运行得到res10_300x300_ssd_iter_140000_fp16.caffemodel模型
2. 下载resnet_ssd_face.cpp文件,仿照上面即可运行
3. 关于如何训练对应的模型,详细情况见how_to_train_face_detector.txt

	数据库	像素大小	检测数	正确率	检测平均耗时	landmark	模式
cpu	1987	960x540	1975	99.39%	19.11ms		Release

注:

1. Release模式 可以使用opencl 加速
2. 测试代码见本文件夹TsetDnn

MTCNN (C++)

在960x544大小的图像上测试, 数据集大小为1987

1. github上MTCNN的源码,
2. 下载Fast_MTCNN和对应的model文件夹里面的模型

	数据库	像素大小	检测数	正确率	检测平均耗时	landmark	模式
cpu	1987	960x544	1739	87.51%	50.3ms	5	Release

1. 其中有200多张侧脸,低头,遮挡的图片 landmark 5个
2. 采用的是5点仿射矫正方法
3. 测试代码见本文件夹Fast_MTCNN

insightFace(python)

insightface 采用的是MTCNN进行人脸检测，使用的是caffe框架下训练的模型在*$INSIGHTFACE/deploy/mtcnn-model/，使用的是cv2.warpAffine函数进行人脸对齐 ，使用model-r1000-ii*模型进行人脸__识别__准备：

1. 准备好预训练模型
2. 将模型放到文件夹*$INSIGHTFACE_ROOT/models/文件夹下面， 如$INSIGHTFACE_ROOT/models/model-r1000-ii*
3. 执行*$INSIGHTFACE/deploy/test.py*

对于单张人脸图片会被裁剪只*(112x112)* ,并且整个的对齐加获取特征时间22ms

测试人脸数据,使用python基于mxnet框架,对已有的数据集进行测试

	数据库	数据库总数	识别数	未检测数	正确率	检测耗时	编码耗时
cpu	39	15139	10203	278	68.66%	149.0635ms	763.379ms
gpu	39	15139	10203	278	68.66%	40.35655ms	22.178555ms

注:

1. 此数据集完全来自现场数据,质量效果较差,但是即使在这样的数据集上仍然有较好的效果,足以说明该算法的独到之处. 另外此数据集的像素普遍偏小,因此检测和编码(特征提取)速度很快
2. 没有在1987张图片的数据库人脸识别测试
3. 测试代码见insightFace 文件夹

openFace (C++)

使用Torch框架训练的模型,进行人脸识别

1. 运行参考js_face_recognition.html
2. 该模型在这两个数据集上面训练的 CASIA-WebFace and FaceScrub

	数据库	数据库总数	识别数	未检测数	正确率	识别耗时	模式
cpu	39	15139	-	-	-	-	Release

注

1. 识别人脸,效果不理想,OpenFace version 0.2.0 识别率在92.9% , 但是在我们的数据库上识别效果很差, 可能是没有对齐的原因
2. 测试代码见TestDnn

---

具体的测试代码，在我的GitHub面，感兴趣的自行获取