[树莓派]人脸识别+活体检测 加载2800+人脸数据还能达到20FPS！

最新推荐文章于 2025-03-10 19:44:06 发布
最新推荐文章于 2025-03-10 19:44:06 发布
阅读量3k 收藏 58
点赞数 7
文章标签： 人脸识别 raspberry pi 人工智能 计算机视觉
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/weixin_43855919/article/details/107761916
版权
本项目采用ncnn推理框架，实现在树莓派上进行实时的人脸检测、识别及活体检测，处理速度可达20FPS，适用于中小型人脸数据库。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

文章目录

一、背景

最近一直在学习人脸识别，想做一个能够落地的项目，但是网上的教程要么就只是opencv人脸检测，要么就是帧数太低，用起来很不方便。因此我开源了一个树莓派人脸识别+活体检测的库，在2800+人脸数据的情况下能达到20FPS左右的人脸检测，人脸识别，以及活体检测。

二、介绍

本项目用的是ncnn来作为推理框架部署模型，主要用到的模型有
人脸检测：
mtcnn
人脸识别：
MobileFaceNet
活体检测
Silent-Face-Anti-Spoofing

本项目使用的所有模型和一部分代码均来自GitHub开源项目，非常感谢前人铺好的路，让我成功在树莓派上复现insightface和Face-Anti-Spoofing。

三、表现

活体检测

戴口罩下的识别（库中我的图片没戴口罩）
戴眼罩？

  1. 青色数据是指人脸识别分数（默认阈值0.40）黄色数据是活体检测置信度（默认阈值0.89）

  2. 程序可以从2859张不同人脸的图片中准确找到属于我的那一张，并且戴上口罩还可以识别（鲁棒性一般，后续更新使用retinaface会更加稳定）

  3. 对于一个中小型的人脸数据库，处理速度达到20FPS是完全够的。（调参之后还可以提升）

四、运行

1.首先准备一块树莓派，这里我用的是Raspberry 4B 4G版
2.安装依赖 opencv（读取图片，显示视频，以及显示文字）
我安装的是4.2.0，对于其他版本是否支持不清楚，但是建议使用opencv4
这是一个很好的教程，大家可以参考->opencv安装教程
3.下载项目

git clone https://github.com/XinghaoChen9/LiveFaceReco_RaspberryPi.git

  1. 进入src文件夹，修改livefacereco.hpp中的project_path为你自己的路径

  2. 修改face_thre为true来记录自己的人脸（可选）

  3. 开始编译，在文件夹根目录输入

mkdir build
cd build
cmake ..
make -j4
./LiveFaceReco

运行效果截图

五、可调参数

  1. largest_face_only: 是否只检测最大人脸
  2. record_face: 在下次运行中会每隔两秒检测人脸并且写入img文件夹作为数据库
  3. distance_threshold: 防止过远人脸误检测
  4. face_thre: 人脸识别阈值
  5. true_thre: 活体检测阈值
  6. jump: 跳帧，跳过某几帧的人脸识别和活体检测来加速
  7. input_width: 输入宽度
  8. input_height: 输入高度
  9. output_width: 输出宽度
  10. output_height: 输出高度（注意：输出太大会降低速度）
  11. project_path: 一定设为自己的目录

六、引用及致谢

十分感谢以下列出的项目为我提供模型和代码支持，正是站在巨人的肩上，才能让我们走得更远。

@inproceedings{deng2018arcface, title={ArcFace: Additive Angular
Margin Loss for Deep Face Recognition}, author={Deng, Jiankang and
Guo, Jia and Niannan, Xue and Zafeiriou, Stefanos}, booktitle={CVPR},
year={2019} }

@inproceedings{deng2019retinaface, title={RetinaFace: Single-stage
Dense Face Localisation in the Wild}, author={Deng, Jiankang and Guo,
Jia and Yuxiang, Zhou and Jinke Yu and Irene Kotsia and Zafeiriou,
Stefanos}, booktitle={arxiv}, year={2019} }

@inproceedings{ncnn, title={ncnn https://github.com/ElegantGod/ncnn},
author={ElegantGod}, }

@inproceedings{Face-Recognition-Cpp, title={Face-Recognition-Cpp
https://github.com/markson14/Face-Recognition-Cpp},
author={markson14}, }

@inproceedings{insightface_ncnn, title={insightface_ncnn
https://github.com/KangKangLoveCat/insightface_ncnn},
author={KangKangLoveCat}, }

@inproceedings{Silent-Face-Anti-Spoofing,
title={Silent-Face-Anti-Spoofing
https://github.com/minivision-ai/Silent-Face-Anti-Spoofing},
author={minivision-ai}, }

七、最后

Github开源地址

Bilibili视频检测

欢迎大家在issue区与我讨论，要是觉得帮到你的话，请给我的项目点一个star吧！非常感谢！
要是大家感兴趣的话后面会再继续讲解，以及更新retinaface作为人脸检测器（更加稳定），star超过50会持续更新以及进一步提高FPS！

*signal*
关注
基于YOLOv8的活体人脸检测系统：深度学习实现与完整代码
m0_52343631的博客
03-19 574
YOLO（You Only Look Once）系列算法，特别是YOLOv8，以其高效的检测速度和精确度，成为了目标检测领域的佼佼者。YOLOv8在不牺牲速度的情况下，进一步优化了检测精度和小目标检测能力，因此可以有效用于活体人脸检测任务。通过采用YOLOv8模型，我们在保证高检测精度的同时，也确保了系统的实时性和高效性。YOLO系列模型经历了多个版本的优化和改进，最新版本YOLOv8在保持高速推理的同时，进一步提升了精度和稳定性，特别是在小目标检测、密集目标检测等方面表现更为优越。
ubuntu系统的树莓派人脸识别视频（转载哔哩哔哩）
qq_39717490的博客
12-20 1611
相关视频：树莓派人脸识别门禁系统快速上手系列教程，毕设，神经网络视觉识别，今年10个最佳树莓派项目，2024年的13个惊人的树莓派项目!，【毕业设计】【人脸识别签到系统】【胎教级代码逐行教学】，12个新的树莓派项目2024版，【python毕设】人脸识别系统-基于OpenCV（附源码），树莓派5进军AI领域，价格惊人只要500多。人脸识别、疲劳检测、口罩检测、活体检测、表情识别、Dlib模型训练一鼓作气全学会了！实时人脸识别检测项目/人脸检测模型。强烈推荐，按照视频一步一步操作，非常成功，讲解非常详细。
姿态检测 树莓派_[树莓派]人脸识别+活体检测 加载2800+人脸数据还能达到20FPS！...
weixin_42441929的博客
12-30 874
一、背景最近一直在学习人脸识别，想做一个能够落地的项目，但是网上的教程要么就只是opencv人脸检测，要么就是帧数太低，用起来很不方便。因此我开源了一个树莓派人脸识别+活体检测的库，在2800+人脸数据的情况下能达到20FPS左右的人脸检测，人脸识别，以及活体检测。二、介绍本项目用的是ncnn来作为推理框架部署模型，主要用到的模型有人脸检测：mtcnn​kpzhang93.github.io人脸识...
使用Raspberry Pi，Arduino和Python进行活体检测检测
风中落泪的花
07-07 4885
生物识别漏洞 几乎所有人脸识别系统都有一个明显的漏洞 - 像这样的硅胶面具： 被视为真面目。此外，人们在戴着乳胶面具时抢劫银行 并欺骗移民，乳胶面具变得越来越复杂和随时可用。我买了这个低端面具： 在伦敦一家服装店约30英镑。推销员告诉我，大都会警察每隔几周就会联系一名戴着面具犯罪的人。警察实际上到所有商店去搜索销售收据（记住：用现金支付）。 2009年，我 和Ted Dunsto...
人脸检测 活体检测算法开源模型
直达开源前线，冲冲冲！
03-10 397
开源算法4：静默人脸活体检测模型-炫彩（推荐使用，效果可能相对更好）开源算法4：发布于2020年初（可能有点老）开源算法1：人脸活体检测模型-RGB。开源算法2：人脸活体检测模型-IR。开源算法3：静态活体检测模型权重。
LiveFaceReco_RaspberryPi:Raspberry Pi 4B上的人脸识别和实时估计，平均FPS大约加载了20和2800+张人脸
04-06
LiveFaceReco_RaspberryPi Face recognition and live estimation on Raspberry Pi 4B with average FPS around 20 and 2800+ faces loaded. 更新 2020-09-05 ：的帮助下 ，添加纳米ncnn LIB，请简单地更改cmakelist的通路时，使用其他平台。 2020-08-26 ：添加ncnn库（ubunutu，arm64-v8a，armeabi-v7a和RaspberryPi4B）以包含文件夹 介绍 该项目在Raspberry pi上实现了人脸识别和人脸防欺骗功能，并将模型转换为ncnn 。 此外，通过读取img文件夹中的人脸图像并通过Arcface确定输入人脸是否在数据集中，整个项目被设计为门禁系统。 最有趣的功能是，它能够估计仅从输入图像中传来的从相机
树莓派+实时linux,可在树莓派实时运行的人脸检测
weixin_35784267的博客
05-14 501
基于CNN的快速人脸识别深圳大学的于仕琪老师发布的人脸检测库：libfacedetectio 于昨日正式开源。这是一个基于CNN的人脸检测的开源库，CNN模型权重信息已在C源文件中转换为stastic variales。也就是说我们需要的模型权重不再是某个特定格式的文件，而直接是.cpp。面部识别源代码不依赖于任何其他库。因此在速度上还是精度上，都有巨大的优势，是目前已知开源库中最好用的一款。下面...
树莓派学习（三）基于OpenCv的人脸识别
cumt240的博客
05-07 1万+
博主的课程设计选题，开始在网上参考了诸多教程踩了很多坑最终得以实现，所以写下心得总结，以便后人乘凉~https://blog.csdn.net/kyokozan/article/details/79192646https://blog.csdn.net/LC_1994/article/details/52971408https://blog.csdn.net/coolwriter/article/...
用树莓派做一个人脸识别开锁应用
腾讯技术工程
02-19 2万+
作者：eckygao，腾讯 CSIG 云产品部1.案例概述1.1 背景实现一个人脸识别进行开锁的功能，用在他的真人实景游戏业务中。总的来说，需求描述简单，但由于约束比较多，在架构与选型上...
十分钟教你学会 Java+opencv视频人脸检测
BEACHES-Q的博客
07-29 2497
引言 忽然心血来潮，想写写东西，这是我的首个博客，不知道写些什么内容好。 那好吧，拿个以前做的一个项目讲讲。 项目介绍： 项目的目的是视频人脸的检测和人脸对比，使用的当然是opencv（不收费，开源啊），本章要介绍的是视频的读取，并将视频转换为图片流进行人脸识别。废话不多说，直接进入正题（为了更好理解，我拆开来讲，哈哈哈）。 一、环境搭建 本次演示demo使用eclipse开发工具，opencv计算机视觉库，当然也要有jdk（都懂的，不懂百度以下jdk的安装和使用，环境变量的配置等）。opencv则需要下载
7寸双目人脸识别门禁一体机(测温闸机钉钉款) 规格说明书
10-29
人脸识别门禁一体机规格说明书 本文档为7寸双目人脸识别门禁一体机（测温闸机钉钉款）规格说明书，介绍了该产品的详细规格和技术参数。该产品是一款基于深度学习的人脸前端识别及体温检测、通道人脸面部抓拍、同时...
活体人脸识别（已封装，可以直接调用）Objective-C
06-09
人脸识别sdk二次封装，可快速高效实现人脸识别，并且可以实现活体检测功能。Zoxeon视觉系统 深度学习
tensorflow的facenet文件
08-10
ncsdk的例子 人脸识别时下载的一个压缩包，由于是外网的所以会下载不了报错，直接现在后拖到那个facenet的目录下就可以编译成功了
多帧人脸活体检测.pdf
03-19
Face anti-spoofing is significant to the security of face recognition systems. Previous works on depth super- vised learning have proved the effectiveness for face anti- spoofing. Nevertheless, they only considered the depth as an auxiliary supervision in the single frame. Different from these methods, we develop a new method to estimate depth information from multiple RGB frames and propose a depth-supervised architecture which can efficiently en- codes spatiotemporal information for presentation attack detection. It includes two novel modules: optical flow guided feature block (OFFB) and convolution gated re- current units (ConvGRU) module, which are designed to extract short-term and long-term motion to discriminate living and spoofing faces. Extensive experiments demon- strate that the proposed approach achieves state-of-the-art results on four benchmark datasets, namely OULU-NPU, SiW, CASIA-MFSD, and Replay-Attack
树莓派3B+ 人脸识别(OpenCV)
热门推荐
宁静致远's 博客
11-13 5万+
树莓派3B+ 人脸识别(OpenCV) 相信大家都看了前面的OpenCV安装和人脸检测教程，有了基础后，现在我们正式进入重头戏——人脸识别 的教程。 注意：该教程面向python2.7+OpenCV2.4.9(官方源) 其它版本需进行一些小的修改，文中会具体注明。 1.生成人脸识别数据 目录结构 ./data 数据根目录 ./data/gener...
在树莓派下使用dlib及resnet的人脸检测及识别
m0_51684807的博客
07-15 1493
这个也是看了BILIBILI的嗨哥总结出来的一个方法 首先要准备的文件有三个 dlib_face_recognition_resnet_model_v1.dat shape_predictor_68_face_landmarks.dat 这两个可以在http://dlib.net/files/这里下载 haarcascade_frontalface_alt2.xml 这个是OpenCV里带的分类器 为了识别到我们训练的人脸给自己建一个容器——也就是上图的文件夹lib 里面丢自己想要.
使用Opencv+树莓派实现人脸识别（一）图片人脸检测和摄像头人脸捕捉
ziggybowie的博客
12-12 4982
前置安装 我的树莓派是3b，就1G内存，系统为stretch版本，自带的python为3.5版本强烈建议在烧写树莓派系统时就直接用buster版本，自带的python版本在3.7及以上 Windows下直接使用PyCharm安装python-opencv，python-opencv-contrib，pyqt5，pyqt5-tools 树莓派下编译安装OpenCV：十分困难，可能要编译4-5小时 ...
树莓派 python 检测人脸
以梦为马
02-20 1091
环境和工具 树莓派3b python 2.7 usb摄像头 winSCP VNC Viewer 无线路由器 代码 import io import picamera import cv2 cam = cv2.VideoCapture(0) #Load a cascade file for detecting faces face_cascade = cv2.CascadeClas...
树莓派实现人脸识别需要做的那些事
行步至春深
05-05 383
1.连接数据库，建表，用来存放图像转码后的字符 2.用Pycharm连接上树莓派 3.下载安装face_recognition需要的依赖 4.配置好环境后运行代码
零基础树莓派和dlib进行人脸识别，一步一步从头开始
最新发布
04-09
<think>嗯，用户想要从零开始使用树莓派和dlib进行人脸识别的详细步骤。首先，我需要确定用户的基础水平，可能是一个刚接触树莓派和编程的新手，所以步骤需要详细且易于理解。 首先，树莓派的系统安装和配置是基础。用户可能需要知道如何安装Raspberry Pi OS，并通过SSH或者VNC连接，特别是如果他们没有外接显示器的话。这部分可能需要指导他们使用Raspberry Pi Imager工具，以及如何设置无线网络和启用SSH。 接下来是安装dlib库，这在树莓派上可能会遇到性能问题，因为dlib需要编译，而树莓派的处理器相对较慢。可能需要建议用户使用预编译的版本或者进行一些优化，比如增加交换空间，使用pip安装时的编译选项，或者直接安装dlib的Python wheel，这样可以避免长时间编译。此外，安装依赖库如CMake、OpenCV等也是必须的步骤。 然后，收集人脸数据。这里需要说明如何用摄像头模块或者USB摄像头，使用dlib的人脸检测功能来捕获图像，并保存为数据集。可能需要代码示例，比如使用dlib.get_frontal_face_detector()和cv2.VideoCapture来捕获视频流，并保存检测到的人脸区域。 训练模型部分，用户可能需要了解face_recognition库，它基于dlib，简化了训练过程。需要指导他们如何组织数据集，每个子文件夹代表一个人，然后使用face_recognition库中的train函数来生成编码。这里要注意数据集的大小和多样性，以提高模型准确性。 部署和实时识别则需要结合摄像头实时捕获，加载训练好的模型，进行人脸检测和编码比对。可能需要代码示例，展示如何读取实时视频流，检测人脸，计算编码，并与已知编码比较，计算欧氏距离来判断身份。同时，要提到性能优化，比如降低分辨率或帧率，以提高树莓派的处理速度。 常见问题部分，用户可能会遇到安装失败、编译时间长、性能卡顿等问题，需要给出解决方案，比如使用交换文件、预编译库，或者优化代码。此外，参考资源如官方文档和GitHub示例也很重要，特别是用户提到的引用[^1]中的face_recognition库示例，可能需要链接到相关资源。 最后，生成的相关问题需要覆盖硬件选型、性能优化、多脸识别、模型集成和实际应用挑战，帮助用户进一步探索。整个过程中需要确保所有步骤清晰，代码示例正确，并且考虑到树莓派的硬件限制，提供实用的建议。</think>### 从零开始使用树莓派和dlib实现人脸识别的步骤 #### 一、环境准备 1. **树莓派系统安装** - 使用Raspberry Pi Imager工具烧录Raspberry Pi OS（推荐64位Lite版） - 通过SSH或VNC连接树莓派（建议启用无线网络配置） - 更新系统： ```bash sudo apt update && sudo apt upgrade -y ``` 2. **安装依赖库** - 编译工具链： ```bash sudo apt install build-essential cmake -y ``` - Python开发环境： ```bash sudo apt install python3-dev python3-pip -y ``` 3. **安装dlib优化方案** - 通过预编译wheel安装（推荐）： ```bash pip3 install dlib --no-cache-dir --verbose ``` - 或手动编译安装（需30分钟以上）： ```bash git clone https://github.com/davisking/dlib.git cd dlib mkdir build && cd build cmake .. cmake --build . --config Release sudo make install ``` #### 二、人脸识别开发流程 1. **基础人脸检测** ```python import cv2 import dlib detector = dlib.get_frontal_face_detector() cap = cv2.VideoCapture(0) while True: ret, frame = cap.read() gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces = detector(gray, 1) for face in faces: l, t, r, b = face.left(), face.top(), face.right(), face.bottom() cv2.rectangle(frame, (l, t), (r, b), (0,255,0), 2) cv2.imshow('Face Detection', frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows() ``` 2. **特征编码训练（需准备数据集）** - 数据集目录结构： ``` dataset/ ├── person1/ │ ├── img1.jpg │ └── img2.jpg └── person2/ ├── photo1.png └── photo2.png ``` - 训练代码： ```python from face_recognition import train train.train("dataset", "model.clf", verbose=True) ``` 3. **实时人脸识别系统** ```python import face_recognition import cv2 import pickle with open("model.clf", "rb") as f: model = pickle.load(f) video_capture = cv2.VideoCapture(0) while True: ret, frame = video_capture.read() rgb_frame = frame[:, :, ::-1] face_locations = face_recognition.face_locations(rgb_frame) face_encodings = face_recognition.face_encodings(rgb_frame, face_locations) for (top, right, bottom, left), encoding in zip(face_locations, face_encodings): matches = face_recognition.compare_faces(model["encodings"], encoding) name = "Unknown" if True in matches: name = model["labels"][matches.index(True)] cv2.rectangle(frame, (left, top), (right, bottom), (0, 0, 255), 2) cv2.putText(frame, name, (left+6, bottom-6), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255,255,255), 1) cv2.imshow('Face Recognition', frame) if cv2.waitKey(1) & 0xFF == ord('q'): break video_capture.release() cv2.destroyAllWindows() ``` #### 三、性能优化技巧 1. **硬件加速方案** - 超频设置：在`/boot/config.txt`中添加： ```bash over_voltage=2 arm_freq=2000 gpu_freq=700 ``` - 启用GPU加速：安装OpenCV with NEON/VFPv3优化 2. **代码级优化** - 降低分辨率至640x480 - 设置帧率限制为10fps - 使用多线程处理： ```python from threading import Thread class VideoStream: def __init__(self, src=0): self.stream = cv2.VideoCapture(src) self.grabbed, self.frame = self.stream.read() self.stopped = False def start(self): Thread(target=self.update, args=()).start() return self def update(self): while not self.stopped: self.grabbed, self.frame = self.stream.read() def read(self): return self.frame def stop(self): self.stopped = True ``` #### 四、常见问题解决 1. **dlib编译失败** - 增加交换空间： ```bash sudo dphys-swapfile swapoff sudo nano /etc/dphys-swapfile # 修改CONF_SWAPSIZE=2048 sudo dphys-swapfile setup sudo dphys-swapfile swapon ``` 2. **实时识别延迟高** - 使用HOG特征代替CNN： ```python face_locations = face_recognition.face_locations(rgb_frame, model="hog") ``` 3. **准确率提升方案** - 数据增强：镜像翻转、随机旋转（±10°）、亮度调整 - 集成多帧检测结果 - 添加活体检测模块 #### 扩展阅读 - 人脸识别在嵌入式设备的部署优化[^1] - 疲劳检测系统集成方法[^2]
评论 8
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
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