windows insightface库 人脸识别入门教程

最新推荐文章于 2024-05-28 11:25:27 发布
最新推荐文章于 2024-05-28 11:25:27 发布
阅读量4.2k 收藏 22
点赞数 6
分类专栏： python 计算机视觉 文章标签： 人脸识别 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_43974261/article/details/119762627
版权

初学insightface，在网上找了几天的博客，但是大多都是在Linux上运行的教程。而且我下的源代码跟他们的结构完全不一样，一度怀疑自己下错了。后来发现是因为作者一直在迭代更新，到现在跟之前已经有很大不同了。为了便于自己入门，所以我去github上下载了作者19年的版本。

环境配置

环境配置按照https://zhuanlan.zhihu.com/p/33750684所说就行，cuda10.1也可以运行。

源码下载

https://github.com/deepinsight/insightface#test-on-megaface
可以找19年的版本，能看懂也可以直接用新的。

库目录

我下载下来的库文件如图，版本不同会有小差别，大致差不多就行。
在这里插入图片描述

之后的操作都是再deploy目录中进行的。

模型下载

在网盘中下载好模型
https://pan.baidu.com/s/1jKahEXw
下载好后放在models文件夹中
在这里插入图片描述
之后就可以在deploy目录下的test.py中进行人脸识别了。

路径配置

在这里插入图片描述
里面会有一些红线是不用管的。

在这里插入图片描述
之后是路径的配置，将你模型的路径填进去，还有存放人脸特征的路径，由于我做的视频的人脸识别，所以最后是视频的路径。

在这里插入图片描述
之后可以通过这些方式进行调用。

人脸识别

人脸识别的工作原理是用检测到的人脸输入进模型，得到特征值后，与特征库中的人脸数据进行对比，计算它与特征库中每个数据的距离。之后取距离最短的一个数据的标签作为该人脸的识别结果。所以需要先进行人脸特征的持久化，之后进行人脸识别操作。

人脸特征持久化

import face_model
import argparse
import cv2
import sys
import numpy as np
import os


parser = argparse.ArgumentParser(description='face model test')
# general
parser.add_argument('--image-size', default='112,112', help='')
parser.add_argument('--model', default='../models/model-r50-am-lfw/model,0', help='path to load model.')
parser.add_argument('--ga-model', default='', help='path to load model.')
parser.add_argument('--gpu', default=0, type=int, help='gpu id')
parser.add_argument('--det', default=0, type=int, help='mtcnn option, 1 means using R+O, 0 means detect from begining')
parser.add_argument('--flip', default=0, type=int, help='whether do lr flip aug')
parser.add_argument('--threshold', default=1.24, type=float, help='ver dist threshold')
parser.add_argument('--binPath', default='myfeature')
parser.add_argument('--videoPath', default='video/test.mp4')
args = parser.parse_args()


videoPath = args.videoPath
binPath = args.binPath
threshold = float(args.threshold)

feature = []
label = []
# model = face_model_v2.FaceModel(args)
#查看是否存在路径，没有则创建
if not os.path.exists(binPath):
    os.makedirs(binPath)
#调用模型
model = face_model.FaceModel(args)
#遍历路径中的图片，将他们的名字保存到label
for s in os.listdir('imgs'):
    img = cv2.imread('imgs/'+s)
    img = model.get_input(img)
    f1 = model.get_feature(img)
    f1.tofile('myfeature/%s.bin'%s.split('.')[0])

运行后可以得到bin文件在这里插入图片描述

图片人脸识别

计算两个人脸的距离代码：

# 查找当前特征最接近的特征
def findNear(feature, f, threshold, label):
    dist_list = []
    # 遍历特征库
    for feature_unit in feature:
        # 距离的定义是(特征1-特征2)开根号并求和
        dist = np.sum(np.square(feature_unit - f))
        # dist_list作用是将所有距离都保存下来，以便获得最小距离
        dist_list.append(dist)
        # 寻找到最小距离
    minDist = np.min(dist_list)
    print(minDist)
    # 如果最小距离小于等于阈值
    if minDist <= threshold:
        # 求出最小距离对应的索引
        minIdx = np.argmin(dist_list)
        # 找到姓名
        print(label[minIdx])
		#返回姓名和概率
        return label[minIdx],(threshold-minDist)/threshold
    else:
        # 如果没有满足条件的，就返回'none'
        return 'none',0

在进行识别之前修改一下face_model.py中的部分代码，因为源代码每次只能检测一张人脸，在建立人脸特征库时够用，但进行人脸检测时照片里不止一个人，因此需要做一些修改。
复制粘贴face_model.py，将名字改为Face_model_v2.py.
之后修改其中的get_input的方法。

  # 主要修改get_input方法
  def get_input(self, face_img):
    # print('into face_model_v2')
    ret = self.detector.detect_face(face_img, det_type=self.args.det)
    if ret is None:
      return None
    bbox, points = ret
    # 存放所有检测的人脸图像
    aligned_list = []
    # 存放所有人脸坐标
    bbox_list = []
    if bbox.shape[0] == 0:
      return None
    for i in range(bbox.shape[0]):
      # 获取每一个坐标
      bbox_ = bbox[i, 0:4]
      # 存放坐标
      bbox_list.append(bbox_)
      # 获取每一个特征点
      points_ = points[i, :].reshape((2, 5)).T
      nimg = face_preprocess.preprocess(face_img, bbox_, points_, image_size='112,112')
      nimg = cv2.cvtColor(nimg, cv2.COLOR_BGR2RGB)
      aligned = np.transpose(nimg, (2, 0, 1))
      # 存放坐标
      aligned_list.append(aligned)
    return aligned_list, bbox_list

修改完后记得将之前持久化导入的模型改为

model = face_model_v2.FaceModel(args)

照片人脸识别代码：

# 遍历目录获得目录中文件名字作为label,文件内容加入feature
for bin_ in os.listdir(binPath):
    # 注意要指定dtype
    feature.append(np.fromfile(binPath + '/' + bin_, dtype=np.float32))
    label.append(bin_.split('.')[0])

img=cv2.imread('hezhao.jpg')
# img=cv2.resize(img,(500,500))
imgs, bbox = model.get_input(img)
for img_unit, bbox_unit in zip(imgs, bbox):
    if img_unit.shape:
        # 获得特征
        f = model.get_feature(img_unit)
        # 找到匹配信息
        res,dist = findNear(feature, f, threshold, label)
        # 如果匹配到了姓名
        if res != 'none':
            # 用方框标注,bbox_unit中的值为(左，上，右，下)
            # 按照cv2.rectangle的参数写入
            cv2.rectangle(img, (int(bbox_unit[0]), int(bbox_unit[1])),
                          (int(bbox_unit[2]), int(bbox_unit[3])), (0, 0, 255))
            # 标记文字到图像中,参数:图像，文字，位置，字体，大小，颜色，宽度
            img = cv2.putText(img, res+"%.2f"%float(dist), (int(bbox_unit[0])-2, int(bbox_unit[1])),cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 1)
cv2.imshow('name',img)
cv2.waitKey(0)

用博主的自拍测试了下
在这里插入图片描述
之后用合照测试：
在这里插入图片描述
总的代码：

import face_model_v2
import face_model
import argparse
import cv2
import sys
import numpy as np
import os


parser = argparse.ArgumentParser(description='face model test')
# general
parser.add_argument('--image-size', default='112,112', help='')
parser.add_argument('--model', default='../models/model-r50-am-lfw/model,0', help='path to load model.')
parser.add_argument('--ga-model', default='', help='path to load model.')
parser.add_argument('--gpu', default=0, type=int, help='gpu id')
parser.add_argument('--det', default=0, type=int, help='mtcnn option, 1 means using R+O, 0 means detect from begining')
parser.add_argument('--flip', default=0, type=int, help='whether do lr flip aug')
parser.add_argument('--threshold', default=1.24, type=float, help='ver dist threshold')
parser.add_argument('--binPath', default='myfeature')
parser.add_argument('--videoPath', default='video/test.mp4')
args = parser.parse_args()


videoPath = args.videoPath
binPath = args.binPath
threshold = float(args.threshold)

feature = []
label = []
model = face_model_v2.FaceModel(args)
#查看是否存在路径，没有则创建
# if not os.path.exists(binPath):
#     os.makedirs(binPath)
#调用模型
# model = face_model.FaceModel(args)
# 遍历路径中的图片，将他们的名字保存到label
# for s in os.listdir('imgs'):
#     img = cv2.imread('imgs/'+s)
#     img,_ = model.get_input(img)
#     f1 = model.get_feature(img)
#     f1.tofile('myfeature/%s.bin'%s.split('.')[0])

# 查找当前特征最接近的特征
def findNear(feature, f, threshold, label):
    dist_list = []
    # 遍历特征库
    for feature_unit in feature:
        # 距离的定义是(特征1-特征2)开根号并求和
        dist = np.sum(np.square(feature_unit - f))
        # dist_list作用是将所有距离都保存下来，以便获得最小距离
        dist_list.append(dist)
        # 寻找到最小距离
    minDist = np.min(dist_list)
        # 如果最小距离小于等于阈值
    if minDist <= threshold:
        # 求出最小距离对应的索引
        minIdx = np.argmin(dist_list)
        # 找到姓名
        return label[minIdx]
    else:
        # 如果没有满足条件的，就返回'none'
        return 'none'


# 遍历目录获得目录中文件名字作为label,文件内容加入feature
for bin_ in os.listdir(binPath):
    # 注意要指定dtype
    feature.append(np.fromfile(binPath + '/' + bin_, dtype=np.float32))
    label.append(bin_.split('.')[0])


# 查找当前特征最接近的特征
def findNear(feature, f, threshold, label):
    dist_list = []
    # 遍历特征库
    for feature_unit in feature:
        # 距离的定义是(特征1-特征2)开根号并求和
        dist = np.sum(np.square(feature_unit - f))
        # dist_list作用是将所有距离都保存下来，以便获得最小距离
        dist_list.append(dist)
        # 寻找到最小距离
    minDist = np.min(dist_list)
    print(minDist)
    # 如果最小距离小于等于阈值
    if minDist <= threshold:
        # 求出最小距离对应的索引
        minIdx = np.argmin(dist_list)
        # 找到姓名
        print(label[minIdx])

        return label[minIdx],(threshold-minDist)/threshold
    else:
        # 如果没有满足条件的，就返回'none'
        return 'none',0


img=cv2.imread('hezhao.jpg')
# img=cv2.resize(img,(500,500))
imgs, bbox = model.get_input(img)
for img_unit, bbox_unit in zip(imgs, bbox):
    if img_unit.shape:
        # 获得特征
        f = model.get_feature(img_unit)
        # 找到匹配信息
        res,dist = findNear(feature, f, threshold, label)
        # 如果匹配到了姓名
        if res != 'none':
            # 用方框标注,bbox_unit中的值为(左，上，右，下)
            # 按照cv2.rectangle的参数写入
            cv2.rectangle(img, (int(bbox_unit[0]), int(bbox_unit[1])),
                          (int(bbox_unit[2]), int(bbox_unit[3])), (0, 0, 255))
            # 标记文字到图像中,参数:图像，文字，位置，字体，大小，颜色，宽度
            img = cv2.putText(img, res+"%.2f"%float(dist), (int(bbox_unit[0])-2, int(bbox_unit[1])),cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 1)
cv2.imshow('name',img)
cv2.waitKey(0)

视频人脸识别

关于视频的人脸识别可以看参考文章中的博客，里面已经很详细了。

参考文章：

https://blog.csdn.net/xiaotuzigaga/article/details/89224594

黑曜石小刀
关注
  • 6
    点赞
  • 踩
  • 22
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
使用insightface实现人脸检测和人脸识别
cumtchw
03-03 1万+
1.搭建insightface环境 为了避免和服务器中的其他python版本冲突，这里使用conda创建环境，安装insightface的过程中会安装相关依赖，等待系统安装完成即可。 conda create -n insightface_chw python=3.6 conda activate insightface_chw pip install -U insightface 2.下载insightface工程 git clone https://github.com/deepinsigh
基于insightface实现的人脸检测，人脸识别，insightface源码讲解。
m0_55674689的博客
11-10 4294
基于insightface实现的人脸检测，人脸识别，insightface源码讲解。
【深度学习】Python快捷调用InsightFace人脸检测，纯ONNX推理
q742971636的博客
11-22 937
【代码】【深度学习】Python快捷调用InsightFace人脸检测，纯ONNX推理。
人脸识别--insightface （一）
最新发布
科技追踪者的专栏
05-28 922
在库中，类返回的人脸分析结果包含多个字段，每个字段代表不同的分析信息。（检测分数）：这是人脸检测的置信度分数，表示检测到的区域是人脸的概率。分数越高，表示检测结果越可靠。（边界框）：这是人脸在图像中的位置和大小，以矩形框的形式表示。bbox是一个包含四个值的数组，表示矩形框的左上角和右下角的坐标。（关键点）：这是人脸的关键点坐标，通常包括五个关键点，分别是两只眼睛、鼻尖和两嘴角的位置。关键点用于人脸对齐和姿态估计等任务。（嵌入向量）：这是从人脸图像中提取的特征向量，通常用于人脸识别。embedding。
Python库 | insightface-0.2.0-py3.7.egg
03-25
资源分类：Python库 所属语言：Python 使用前提：需要解压 资源全名：insightface-0.2.0-py3.7.egg 资源来源：官方 安装方法：https://lanzao.blog.csdn.net/article/details/101784059
人脸识别开源项目--insightface
05-22 1万+
1 insightface简介 最近人脸识别等机器学习的项目很火，偶然间发现了一个开源的人脸识别的开源项目insightface。 人脸识别技术可以准确识别出图像中的人脸和身份，具有丰富的应用场景，譬如金融场景下的刷脸支付、安防场景下的罪犯识别和医学场景下的新冠流行病学调查等等。人脸识别的算法演变经历了以 PCA 为代表的早期阶段，再到以“人工特征+分类器”为主的统计学习方法阶段，近几年，随着大数据及 GPU 算力的爆发，人脸识别进入到深度学习算法为绝对主角的阶段。 InsightFace是基于 M.
人脸识别2：InsightFace实现人脸识别Face Recognition(含源码下载)
热门推荐
AI吃大瓜的博客
05-15 1万+
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)。
开源大佬面对面：InsightFace带你打造开箱即用的人脸识别系统
weixin_36896856的博客
11-16 1041
导读 提到人工智能和人脸识别开源技术，相信很多业内的同行对于InsightFace应该不陌生，其中的Arcface论文被引用超过2100+，自从2018年开源以来，在GitHub上的增长也...
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)：...
使用insightface的人脸识别程序
12-09
insightface是当前比较新和常用的人脸识别模型，本程序是基于insightface的人脸识别程序，可以实现实时视频识别和图片识别，识别准确率高和速度快，代码有注释，附有安装说明。如果遇到问题也可以和我交流。
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)：...
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)：...
insightface人脸识别onnx开源模型
11-15
**InsightFace 人脸识别 ONNX 开源模型详解** 在当今的计算机视觉领域，人脸识别技术扮演着至关重要的角色，广泛应用于安全监控、社交媒体、门禁系统等多个场景。InsightFace 是一个深度学习框架，专注于面部识别和...
人脸识别4：Android InsightFace实现人脸识别Face Recognition(含源码)
AI吃大瓜的博客
06-16 1万+
人脸识别4：Android InsightFace实现人脸识别Face Recognition(含源码)；Android实现人脸识别，Android人脸检测；Android人脸识别
【人脸识别】旷世的好用的人脸识别 insightface 使用记录和搭建服务注意点和坑，手把手教你从0到1，太好用了，可以直接运行项目，跟进更新+ffmpeg拉流抽帧
weixin_40293999的博客
05-29 4675
人脸识别项目，再走一遍。之前是公司老人留下的，没部署过，没交付过。这次重新搞一个，并且把搞过的记录下来。参考旷视的insightface:另外一个blog:https://blog.csdn.net/u013171226/article/details/123249453创建环境，安装库把它的git 代码都拉下来：解压到 /home/jianming_ge/workplace/zhongwaiyun/insightface/我觉得人脸矫正、人脸对齐，这个insight的库都帮我们做了。
一键AI高清换脸——基于InsightFace、CodeFormer实现高清换脸与验证换脸后效果能否通过人脸比对、人脸识别算法
知来者逆的博客
10-05 6555
AI换脸技术不断发展，变得越来越先进的同时，也有研究人员和技术公司努力开发检测和防御AI换脸的方法，以应对滥用和虚假信息传播的问题。 这里结合实现了一些常用的AI换脸技术，从人脸检测到人脸关键点检测，再到AI换脸，然后使用算法进行人脸修复和超分，以便大家更好的了解AI换脸这个智能算法，只能全面的理解才能做到更好的防范。
人脸识别5.1- insightface人脸检测模型scrfd-训练实战笔记，目标检测的理论理解
qq_15821487的博客
07-27 2653
人脸识别5.1- insightface人脸检测模型训练实战笔记
人脸检测实战-insightface
AI爱好者的博客，分享计算机领域相关知识
07-27 5003
人脸识别开源项目insightface使用及开发示例
insightface 使用记录 arcface 人脸识别
q742971636的博客
06-16 3941
目标 1 能进行人脸检测，检测一张图里的各张人脸图。 2 能进行人脸特征提取，每一张人脸对应一个512维特征。进行人脸识别可以借助arcface损失距离看两张人脸相似度。 3 能进行性别估计，年龄估计。 4 能判断有没有戴口罩，人脸的左右眼、鼻子、左右嘴角检测点。 源码 https://github.com/deepinsight/insightface 环境 用python 3.8，过程大概是： # CUDA 10.1 conda install pytorch==1.7.1 torchvision==0
用insightface写人脸识别代码
03-31
抱歉，我是一个语言模型AI，无法编写和运行代码。不过，以下是用insightface实现人脸识别的一般步骤： 1. 安装insightface库 ``` pip install insightface ``` 2. 下载人脸检测模型和人脸识别模型 ``` import os import urllib model_urls = [ 'https://github.com/deepinsight/insightface/blob/master/models/model-r100-ii/model-0000.params?raw=true', 'https://github.com/deepinsight/insightface/blob/master/models/model-r100-ii/model-0000.params?raw=true', 'https://github.com/deepinsight/insightface/blob/master/models/retinaface/R50/retinaface-R50.zip?raw=true' ] model_names = [ 'model-r100-ii/model-0000.params', 'model-r100-ii/model-symbol.json', 'retinaface-R50/model' ] for url, name in zip(model_urls, model_names): if not os.path.exists(name): print('Downloading', name) urllib.request.urlretrieve(url, name) ``` 3. 加载人脸检测模型和人脸识别模型 ``` from insightface import model_zoo from insightface.model_zoo import get_model detector = get_model('retinaface_r50_v1') detector.prepare(ctx_id=-1, nms=0.4) recognition = get_model('arcface_r100_v1') recognition.prepare(ctx_id=-1) ``` 4. 加载人脸库 ``` import cv2 face_db = {} for file in os.listdir('faces'): name = os.path.splitext(file)[0] img = cv2.imread(os.path.join('faces', file)) embedding = recognition.get_embedding(img) face_db[name] = embedding ``` 5. 进行人脸识别 ``` img = cv2.imread('test.jpg') faces = detector.detect(img) for face in faces: embedding = recognition.get_embedding(face) min_distance = float('inf') min_name = None for name, db_embedding in face_db.items(): distance = recognition.get_distance(embedding, db_embedding) if distance < min_distance: min_distance = distance min_name = name if min_name is not None and min_distance < 0.8: cv2.rectangle(img, (face[0], face[1]), (face[2], face[3]), (0, 255, 0), 2) cv2.putText(img, min_name, (face[0], face[1] - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2) else: cv2.rectangle(img, (face[0], face[1]), (face[2], face[3]), (0, 0, 255), 2) cv2.putText(img, 'Unknown', (face[0], face[1] - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 0, 255), 2) cv2.imshow('result', img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 以上步骤仅供参考，实际使用时需要根据具体情况进行调整和优化。
评论 2
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