人臉識(shí)別2：InsightFace實(shí)現(xiàn)人臉識(shí)別Face Recognition(含源碼下載)

這篇具有很好參考價(jià)值的文章主要介紹了人臉識(shí)別2：InsightFace實(shí)現(xiàn)人臉識(shí)別Face Recognition(含源碼下載)。希望對(duì)大家有所幫助。如果存在錯(cuò)誤或未考慮完全的地方，請(qǐng)大家不吝賜教，您也可以點(diǎn)擊"舉報(bào)違法"按鈕提交疑問(wèn)。

人臉識(shí)別2：InsightFace實(shí)現(xiàn)人臉識(shí)別Face Recognition(含源碼下載)

1. 前言

2. 項(xiàng)目安裝

3. 人臉識(shí)別系統(tǒng)

（1）人臉檢測(cè)和關(guān)鍵點(diǎn)檢測(cè)

（2）人臉校準(zhǔn)

（3）人臉特征提取

（4）人臉比對(duì)(1:1)

（5）人臉?biāo)阉?1:N)

（6）配置文件config

（7）人臉識(shí)別優(yōu)化建議

4. 人臉識(shí)別Demo效果

5. 人臉識(shí)別C/C++版本源碼下載

6. 人臉識(shí)別Android版本源碼下載

7. 人臉識(shí)別Python版本源碼下載

1. 前言

這是項(xiàng)目《人臉識(shí)別Face Recognition》系列之《InsightFace實(shí)現(xiàn)人臉識(shí)別Face Recognition》Python版本；項(xiàng)目基于開(kāi)源ArcFace(也稱InsightFace)模型搭建一套完整的Python版本人臉識(shí)別系統(tǒng)（Face Recognition or Face Identification）；

人臉識(shí)別2：InsightFace實(shí)現(xiàn)人臉識(shí)別Face Recognition(含源碼下載)

整套人臉識(shí)別系統(tǒng)核心算法包含人臉檢測(cè)和人臉關(guān)鍵點(diǎn)檢測(cè)，人臉校準(zhǔn)，人臉特征提取以及人臉比對(duì)(1:1)和人臉?biāo)阉?1:N)。本項(xiàng)目人臉識(shí)別系統(tǒng)可以達(dá)到目前商業(yè)級(jí)別的人臉識(shí)別準(zhǔn)確率，在誤識(shí)率(FAR)0.1%的情況下，可提供99.57%的通過(guò)率(TAR)；可以滿足人臉比對(duì)，人臉簽到、人臉門禁、人員信息查詢、安防監(jiān)控等人臉識(shí)別應(yīng)用場(chǎng)景。

Python版本人臉檢測(cè)和人臉識(shí)別效果：

人臉識(shí)別2：InsightFace實(shí)現(xiàn)人臉識(shí)別Face Recognition(含源碼下載)

【尊重原創(chuàng)，轉(zhuǎn)載請(qǐng)注明出處】https://blog.csdn.net/guyuealian/article/details/130600472?

更多項(xiàng)目《人臉識(shí)別Face Recognition》系列文章請(qǐng)參考：

人臉識(shí)別1：人臉識(shí)別數(shù)據(jù)集https://blog.csdn.net/guyuealian/article/details/130600545
人臉識(shí)別2：InsightFace實(shí)現(xiàn)人臉識(shí)別Face Recognition(含源碼下載)https://blog.csdn.net/guyuealian/article/details/130600472
人臉識(shí)別3：C/C++ InsightFace實(shí)現(xiàn)人臉識(shí)別Face Recognition(含源碼)https://blog.csdn.net/guyuealian/article/details/130600571
人臉識(shí)別4：Android InsightFace實(shí)現(xiàn)人臉識(shí)別Face Recognition(含源碼)https://blog.csdn.net/guyuealian/article/details/130600600

人臉識(shí)別2：InsightFace實(shí)現(xiàn)人臉識(shí)別Face Recognition(含源碼下載)

2. 項(xiàng)目安裝

項(xiàng)目結(jié)構(gòu)說(shuō)明

.
├── configs                # 配置文件(設(shè)置檢測(cè)模型，特征提取模型)
├── core
│?? ├── alignment          # 人臉校準(zhǔn)算法
│?? ├── detection          # 人臉檢測(cè)模型
│?? ├── feature            # 人臉特征提取模型
│?? ├── face_detector.py   # 人臉檢測(cè)(支持MTCNN和RFB)
│?? ├── face_feature.py    # 人臉特征提取模型
│?? ├── face_matcher.py    # 人臉匹配算法
│?? ├── face_recognizer.py # 人臉識(shí)別 
│?? └── face_register.py   # 人臉注冊(cè)
├── data                   # 人臉識(shí)別相關(guān)數(shù)據(jù)
├── face_compare.py        # 1:1人臉比對(duì)Demo
├── face_search.py         # 1:N人臉?biāo)阉鱀emo
├── register.py            # 1:N人臉?biāo)阉魅四様?shù)據(jù)庫(kù)注冊(cè)Demo
├── README.md              # 說(shuō)明文檔
└── requirements.txt       # 項(xiàng)目依賴文件

Python依賴環(huán)境，使用pip安裝即可，項(xiàng)目代碼都在Ubuntu系統(tǒng)和Windows系統(tǒng)驗(yàn)證正常運(yùn)行，請(qǐng)放心使用；若出現(xiàn)異常，大概率是相關(guān)依賴包版本沒(méi)有完全對(duì)應(yīng)

numpy==1.16.3
matplotlib==3.1.0
Pillow==6.0.0
easydict==1.9
opencv-contrib-python==4.5.2.52
opencv-python==4.5.1.48
pandas==1.1.5
PyYAML==5.3.1
scikit-image==0.17.2
scikit-learn==0.24.0
scipy==1.5.4
seaborn==0.11.2
tensorboard==2.5.0
tensorboardX==2.1
torch==1.7.1+cu110
torchvision==0.8.2+cu110
tqdm==4.55.1
xmltodict==0.12.0
basetrainer
pybaseutils

?項(xiàng)目安裝教程請(qǐng)參考（初學(xué)者入門，麻煩先看完下面教程，配置好開(kāi)發(fā)環(huán)境）：?

項(xiàng)目開(kāi)發(fā)使用教程和常見(jiàn)問(wèn)題和解決方法

視頻教程：1 手把手教你安裝CUDA和cuDNN(1)

視頻教程：2 手把手教你安裝CUDA和cuDNN(2)

視頻教程：3 如何用Anaconda創(chuàng)建pycharm環(huán)境

視頻教程：4 如何在pycharm中使用Anaconda創(chuàng)建的python環(huán)境

3. 人臉識(shí)別系統(tǒng)

人臉識(shí)別主要包含人臉比對(duì)(1:1)和人臉?biāo)阉?1:N)兩大功能，涉及的核心算法主要包含：人臉檢測(cè)和人臉關(guān)鍵點(diǎn)檢測(cè)，人臉校準(zhǔn)，人臉特征提取以及人臉比對(duì)(1:1)和人臉?biāo)阉?1:N)；當(dāng)然，實(shí)際業(yè)務(wù)中，可能還會(huì)增加人臉質(zhì)量檢測(cè)以及活體識(shí)別等算法，礙于篇幅，后續(xù)再分享活體識(shí)別算法。

下圖給出本項(xiàng)目人臉識(shí)別系統(tǒng)算法實(shí)現(xiàn)架構(gòu)流程圖：

人臉識(shí)別2：InsightFace實(shí)現(xiàn)人臉識(shí)別Face Recognition(含源碼下載)

（1）人臉檢測(cè)和關(guān)鍵點(diǎn)檢測(cè)

人臉檢測(cè)的方法比較多，項(xiàng)目提供兩種人臉檢測(cè)方法：一種是基于MTCNN的通用人臉檢測(cè)模型，另一種是輕量化的、快速的RFB人臉檢測(cè)模型；這個(gè)兩個(gè)模型都能實(shí)現(xiàn)人臉檢測(cè)，并同時(shí)預(yù)測(cè)人臉的五個(gè)關(guān)鍵點(diǎn)(Landmark)。

模型	Paper	源碼	說(shuō)明
MTCNN	Paper	Link	支持人臉檢測(cè)和人臉關(guān)鍵點(diǎn)檢測(cè)(5個(gè)點(diǎn)) 通用場(chǎng)景人臉檢測(cè)，計(jì)算量較大，適合PC服務(wù)器部署
RFB	Paper	Link	支持人臉檢測(cè)和人臉關(guān)鍵點(diǎn)檢測(cè)(5個(gè)點(diǎn)) 輕量級(jí)人臉檢測(cè)，適合簡(jiǎn)單場(chǎng)景人臉檢測(cè)，計(jì)算量較小，適合嵌入式，開(kāi)發(fā)板，Android等終端部署

MTCNN人臉檢測(cè)參考項(xiàng)目：GitHub - Sierkinhane/mtcnn-pytorch: A face detection algorithm

RFB人臉檢測(cè)參考項(xiàng)目：GitHub - Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB: ??1MB lightweight face detection model (1MB輕量級(jí)人臉檢測(cè)模型)

下圖是MTCNN模型人臉檢測(cè)和人臉關(guān)鍵點(diǎn)(Landmark)檢測(cè)效果??

?人臉關(guān)鍵點(diǎn)(Landmark)：共預(yù)測(cè)五個(gè)人臉關(guān)鍵點(diǎn)，分別為：左眼中心點(diǎn)，右眼中心點(diǎn)，鼻尖中心點(diǎn)以及左嘴角和右嘴角

利用Landmark信息，后續(xù)可以通過(guò)仿射變換，對(duì)人臉進(jìn)行校準(zhǔn)，獲得相對(duì)比較正的人臉。人臉校準(zhǔn)可以有效提升人臉識(shí)別的效果

? 人臉識(shí)別2：InsightFace實(shí)現(xiàn)人臉識(shí)別Face Recognition(含源碼下載)

（2）人臉校準(zhǔn)

利用Landmark信息，可以通過(guò)仿射變換，對(duì)人臉進(jìn)行校準(zhǔn)，獲得相對(duì)比較正的人臉，項(xiàng)目core/alignment模塊提供人臉校準(zhǔn)算法。

其中實(shí)現(xiàn)思路是：

利用OpenCV的estimateAffine2D()函數(shù)估計(jì)人臉關(guān)鍵點(diǎn)(5個(gè)landmark)和參考人臉關(guān)鍵點(diǎn)(reference landmark)的仿射變換矩陣M，再根據(jù)仿射變換矩陣M矯正人臉圖像

下圖給出人臉校準(zhǔn)的效果圖，其中【image】是原始圖像，【ref-Landmark】圖像是112×112圖像的參考人臉關(guān)鍵點(diǎn)(reference landmark)，而【face_alignment】是最終矯正的人臉效果圖。

人臉識(shí)別2：InsightFace實(shí)現(xiàn)人臉識(shí)別Face Recognition(含源碼下載)

（3）人臉特征提取

項(xiàng)目基于開(kāi)源的ArcFace(也稱InsightFace)訓(xùn)練框架，開(kāi)發(fā)并優(yōu)化了三個(gè)版本的人臉識(shí)別模型：mobilenet_v2，IR-18(resnet18優(yōu)化版)以及IR-50(resnet50優(yōu)化版)，用于人臉特征提取

ArcFace：GitHub - TreB1eN/InsightFace_Pytorch: Pytorch0.4.1 codes for InsightFace

模型	LFW	CFP_FF	CFP_FP	AgeDB	CALFW	CPLFW
resnet50	99.78	99.69	98.14	97.53	95.87	92.45
resnet18	99.55	99.61	97.74	96.52	94.66	90.01
mobilenet_v2	99.23	99.27	90.74	93.22	93.57	88.69

resnet50和resnet18參數(shù)量比較大，計(jì)算量較大，適合在PC服務(wù)器部署；而mobilenet_v2

模型計(jì)算量較小，適合嵌入式，開(kāi)發(fā)板，Android等終端部署。

（4）人臉比對(duì)(1:1)

1:1人臉比對(duì)(也稱人臉驗(yàn)證，身份驗(yàn)證)，即將兩張人臉進(jìn)行1:1比對(duì)，得到人臉相似度，來(lái)判斷是否是同一個(gè)人，一般用作人證比對(duì)等場(chǎng)景，比如銀行卡/QQ/微信/支付寶等賬號(hào)登錄時(shí)人臉身份驗(yàn)證。

項(xiàng)目實(shí)現(xiàn)了1:1人臉比對(duì)功能(face_compare.py)

# -*- coding: utf-8 -*-
import os
import cv2
import argparse
import traceback
from core import face_recognizer
from pybaseutils import image_utils, file_utils


class Example2(face_recognizer.FaceRecognizer):
    def __init__(self, database):
        """
        @param database: 人臉數(shù)據(jù)庫(kù)的路徑
        """
        super(Example2, self).__init__(database=database)

    def compare_face_task(self, image_file1, image_file2, score_thresh=0.75, vis=True):
        """
        1:1人臉比對(duì),比較兩張肖像圖是否是同一個(gè)人
        @param image_file1 肖像圖1
        @param image_file2 肖像圖2
        @param score_thresh 相似人臉?lè)謹(jǐn)?shù)人臉閾值
        """
        # 去讀取圖片
        image1 = cv2.imread(image_file1)
        image2 = cv2.imread(image_file2)
        face_info1, face_info2, score = self.compare_face(image1, image2)
        if len(face_info1['face']) > 0 and len(face_info2['face']) > 0:
            v1 = face_info1["feature"]
            v2 = face_info2["feature"]
            same_person = score > score_thresh
            print("feature1.shape:{}\nfeature1:{}".format(v1.shape, v1[0, 0:20]))
            print("feature2.shape:{}\nfeature2:{}".format(v2.shape, v2[0, 0:20]))
            print("similarity: {}, same person: {}".format(score, same_person))
            if vis: self.show_result(image1, face_info1, image2, face_info2)
        else:
            print("No face detected")
        return score

    def show_result(self, image1, face_info1, image2, face_info2):
        face1 = face_info1["face"]
        face2 = face_info2["face"]
        if len(face1) > 0: image_utils.cv_show_image("face1", face1[0], delay=1)
        if len(face2) > 0: image_utils.cv_show_image("face2", face2[0], delay=1)
        self.draw_result("image1", image=image1, face_info=face_info1, vis=True, delay=1)
        self.draw_result("image2", image=image2, face_info=face_info2, vis=True, delay=0)


def parse_opt():
    image_file1 = "data/test_image/test1.jpg"
    image_file2 = "data/test_image/test2.jpg"
    parser = argparse.ArgumentParser()
    parser.add_argument('--image_file1', type=str, default=image_file1, help='image_file1')
    parser.add_argument('--image_file2', type=str, default=image_file2, help='image_file1')
    opt = parser.parse_args()
    print(opt)
    return opt


if __name__ == "__main__":
    """1:1人臉比對(duì),可用于人證比對(duì)等場(chǎng)景"""
    opt = parse_opt()
    fr = Example2(database="")
    fr.compare_face_task(opt.image_file1, opt.image_file2, vis=True)

測(cè)試1:1人臉比對(duì)，可在終端運(yùn)行：

python face_compare.py --image_file1 "data/test_image/test1.jpg" --image_file2 "data/test_image/test2.jpg"

運(yùn)行結(jié)果如下：

人臉識(shí)別2：InsightFace實(shí)現(xiàn)人臉識(shí)別Face Recognition(含源碼下載)

（5）人臉?biāo)阉?1:N)

1:N人臉?biāo)阉?，將一張人臉和N張人臉進(jìn)行比對(duì)，找出最相似的一張或多張人臉，即1:N人臉?biāo)阉??？捎米魅四樅灥?、人臉門禁、人員信息查詢、安防監(jiān)控等應(yīng)用場(chǎng)景。

項(xiàng)目實(shí)現(xiàn)了1:N人臉?biāo)阉鞴δ?，需要提前生成人臉?shù)據(jù)庫(kù)(Face database)，先錄入注冊(cè)人臉數(shù)據(jù)

項(xiàng)目register.py 實(shí)現(xiàn)人臉數(shù)據(jù)庫(kù)(database)人臉注冊(cè)，database人臉圖像要求滿足以下：

圖片按照[ID-XXXX.jpg]命名,如:張三-image.jpg，作為人臉識(shí)別的底圖

個(gè)人照片可以是個(gè)人證件照，生活照，肖像照片，要求五官清晰且正臉的照片，不能出現(xiàn)多個(gè)人臉的情況

盡量不要出現(xiàn)過(guò)度美顏，頭發(fā)遮擋，低頭側(cè)臉等問(wèn)題

人臉識(shí)別2：InsightFace實(shí)現(xiàn)人臉識(shí)別Face Recognition(含源碼下載)

?實(shí)現(xiàn)人臉注冊(cè)，可在終端運(yùn)行（register.py）：

# 默認(rèn)人臉數(shù)據(jù)庫(kù)，圖像存放在portrait = "./data/database/portrait"
# 默認(rèn)人臉數(shù)據(jù)庫(kù)，特征文件保存在database='./data/database/database-resnet50.json'

python register.py

運(yùn)行結(jié)果如下：

人臉識(shí)別2：InsightFace實(shí)現(xiàn)人臉識(shí)別Face Recognition(含源碼下載)

?如果需要注冊(cè)新人?，請(qǐng)參考如下步驟：

采集一張新人的個(gè)人照片，以張三的照片為例子

照片保存在人臉數(shù)據(jù)庫(kù)中(data/database/portrait)中，圖片按照[ID-XXXX.jpg]命名,如:張三-image.jpg，作為人臉識(shí)別的底圖

然后運(yùn)行register.py，完成人臉數(shù)據(jù)庫(kù)的人臉注冊(cè)

完成人臉注冊(cè)后，下一步可以進(jìn)行1:N人臉?biāo)阉?，?shí)現(xiàn)人臉識(shí)別的功能（face_search.py）：

測(cè)試圖片文件，可在終端運(yùn)行：

# 待識(shí)別人臉圖片存放在項(xiàng)目目錄data/test_image 
python face_search.py --image_dir "data/test_image"

測(cè)試視頻文件，可在終端運(yùn)行：

# 測(cè)試視頻文件，--video_file填寫(xiě)視頻文件的路徑
python face_search.py --video_file "data/test-video.mp4"

測(cè)試攝像頭，可在終端運(yùn)行：

# 測(cè)試攝像頭，--video_file填寫(xiě)攝像頭ID號(hào)，一般默認(rèn)從0開(kāi)始
python face_search.py --video_file 0

# -*- coding: utf-8 -*-
import os
import cv2
import argparse
import traceback
from configs import configs
from core import face_recognizer
from pybaseutils import image_utils, file_utils


class Example1(face_recognizer.FaceRecognizer):
    def __init__(self, database):
        """
        @param database: 人臉數(shù)據(jù)庫(kù)的路徑
        """
        super(Example1, self).__init__(database=database)

    def start_capture(self, video_file, save_video=None, detect_freq=1, vis=True):
        """
        start capture video
        :param video_file: *.avi,*.mp4,...
        :param save_video: *.avi
        :param detect_freq:
        :return:
        """
        video_cap = image_utils.get_video_capture(video_file)
        width, height, numFrames, fps = image_utils.get_video_info(video_cap)
        if save_video:
            self.video_writer = image_utils.get_video_writer(save_video, width, height, fps)
        count = 0
        while True:
            if count % detect_freq == 0:
                # 設(shè)置抽幀的位置
                if isinstance(video_file, str): video_cap.set(cv2.CAP_PROP_POS_FRAMES, count)
                isSuccess, frame = video_cap.read()
                if not isSuccess:
                    break
                frame, face_info = self.search_face_task(frame, thickness=4, fontScale=2.0, delay=10, vis=True)
                if save_video:
                    self.video_writer.write(frame)
            count += 1
        video_cap.release()

    def detect_image_dir(self, image_dir, out_dir=None, vis=True):
        """
        @param image_dir:
        @param out_dir:
        @param vis:
        @return:
        """
        image_list = file_utils.get_files_lists(image_dir, postfix=file_utils.IMG_POSTFIX)
        for image_file in image_list:
            try:
                print("image_file:{}\t".format(image_file), end=',', flush=True)
                image = image_utils.read_image_ch(image_file)
                image = image_utils.resize_image(image, size=(None, 640))
                image, face_info = self.search_face_task(image, vis=vis)
                if out_dir:
                    out_file = file_utils.create_dir(out_dir, None, os.path.basename(image_file))
                    print("save result:{}".format(out_file))
                    cv2.imwrite(out_file, image)
            except:
                traceback.print_exc()
                print(image_file, flush=True)

    def search_face_task(self, bgr, thickness=2, fontScale=1.5, delay=0, vis=False):
        """
        1:N人臉?biāo)阉魅蝿?wù)
        :param bgr: BGR image
        :return:
        """
        face_info = self.detect_search(bgr, max_face=-1, vis=False)
        image = self.draw_result("Recognizer", image=bgr, face_info=face_info,
                                 thickness=thickness, fontScale=fontScale, delay=delay, vis=vis)
        return image, face_info


def parse_opt():
    database = configs.database  # 存儲(chǔ)人臉數(shù)據(jù)庫(kù)特征路徑database
    # image_dir = 'data/database-test'  # 測(cè)試圖片的目錄
    image_dir = 'data/test_image'  # 測(cè)試圖片的目錄
    out_dir = "output/"  # 保存檢測(cè)結(jié)果
    video_file = None  # video_file is None表示進(jìn)行圖片測(cè)試
    # video_file = "data/test-video.mp4"  # 視頻文件測(cè)試
    # video_file = "0"  # 攝像頭測(cè)試
    parser = argparse.ArgumentParser()
    parser.add_argument('--database', type=str, default=database, help='存儲(chǔ)人臉數(shù)據(jù)庫(kù)特征路徑database')
    parser.add_argument('--image_dir', type=str, default=image_dir, help='image_dir')
    parser.add_argument('--video_file', type=str, default=video_file, help='camera id or video file')
    parser.add_argument('--out_dir', type=str, default=out_dir, help='save result')
    opt = parser.parse_args()
    print(opt)
    return opt


if __name__ == "__main__":
    """1:N人臉?biāo)阉?可用于人臉簽到、人臉門禁、人員信息查詢、安防監(jiān)控等應(yīng)用場(chǎng)景"""
    opt = parse_opt()
    fr = Example1(database=opt.database)
    if isinstance(opt.video_file, str) or isinstance(opt.video_file, int):
        opt.video_file = str(opt.video_file)
        if len(opt.video_file) == 1: opt.video_file = int(opt.video_file)
        save_video = os.path.join(opt.out_dir, "result.avi") if opt.out_dir else None
        fr.start_capture(opt.video_file, save_video, detect_freq=1, vis=True)
    else:
        fr.detect_image_dir(opt.image_dir, opt.out_dir, vis=True)

（6）配置文件config

項(xiàng)目配置文件configs/configs.py，用于設(shè)置人臉檢測(cè)模型，特征提取模型，可以根據(jù)自己的需要選擇

人臉檢測(cè)模型,目前支持RFB和MTCNN人臉檢測(cè)
人臉識(shí)別(特征提取)模型，目前支持resnet50,resnet18和mobilenet_v2模型

人臉識(shí)別特征提取模型，提供resnet50,resnet18和mobilenet_v2 ，其測(cè)試準(zhǔn)確率，參考如下:

模型	LFW	CFP_FF	CFP_FP	AgeDB	CALFW	CPLFW
resnet50	99.78	99.69	98.14	97.53	95.87	92.45
resnet18	99.55	99.61	97.74	96.52	94.66	90.01
mobilenet_v2	99.23	99.27	90.74	93.22	93.57	88.69

resnet50和resnet18參數(shù)量比較大，計(jì)算量較大，適合在PC服務(wù)器部署；而mobilenet_v2

模型計(jì)算量較小，適合嵌入式，開(kāi)發(fā)板，Android等終端部署。

# -*-coding: utf-8 -*-
import torch
import os

root = os.path.dirname(os.path.dirname(__file__))

det_thresh = 0.5  # 人臉檢測(cè)閾值，小于該閾值的檢測(cè)框會(huì)被剔除
rec_thresh = 0.5  # 人臉識(shí)別閾值，小于該閾值的人臉識(shí)別結(jié)果為unknown，表示未知
# 人臉檢測(cè)模型,目前支持RFB和MTCNN人臉檢測(cè)
DETECTOR = {
    # "net_name": "RFB",
    "net_name": "MTCNN",
}

# 人臉識(shí)別(特征提取)模型配置文件，目前支持resnet50,resnet18和mobilenet_v2模型
FEATURE = {
    "net_name": "resnet50",
    # "net_name": "resnet18",
    # "net_name": "mobilenet_v2",
    "input_size": (112, 112),
    "embedding_size": 512
}

# 人臉數(shù)據(jù)庫(kù)圖像路徑,用于注冊(cè)人臉
portrait = "./data/database/portrait"
# 人臉數(shù)據(jù)庫(kù)特征路徑database(注冊(cè)人臉后生成的特征文件)
database = os.path.join(os.path.dirname(portrait), "database-{}.json".format(FEATURE['net_name']))

# 運(yùn)行設(shè)備
# device = "cpu"
device = "cuda:0" if torch.cuda.is_available() else "cpu"

（7）人臉識(shí)別優(yōu)化建議

人臉識(shí)別依賴人臉檢測(cè)，一個(gè)高精度的人臉檢測(cè)模型算法，可以有效提高人臉識(shí)別的準(zhǔn)確率

人臉校準(zhǔn)算法可以矯正人臉傾斜等問(wèn)題，可以極大提高人臉識(shí)別效果；需要依賴人臉關(guān)鍵點(diǎn)檢測(cè)(Landmark)，本項(xiàng)目使用的RFB和MTCNN模型都可預(yù)測(cè)人臉關(guān)鍵點(diǎn)

人臉識(shí)別中，待識(shí)別人臉圖片，如果存在低頭側(cè)臉，或者人臉存在遮擋等情況，人臉識(shí)別準(zhǔn)確率較低(可能被識(shí)別為unknown)，實(shí)際使用過(guò)程中，需要用戶配合，正對(duì)著攝像頭，以提高人臉識(shí)別準(zhǔn)確率的效果。

1:N人臉?biāo)阉髦?/strong>，要求注冊(cè)底庫(kù)的人臉數(shù)據(jù)庫(kù)是高質(zhì)量的個(gè)人照片；建議每人需要提供一張高清的、不模糊的、少美顏的，五官清晰可見(jiàn)的，正臉的，不低頭不側(cè)臉的個(gè)人自拍照(生活照、證件照)，以便可以生成高質(zhì)量的人臉特征

1:N人臉?biāo)阉髦?/strong>，當(dāng)N屬于百萬(wàn)級(jí)別以上海量人臉數(shù)據(jù)時(shí)，人臉識(shí)別會(huì)比較慢，畢竟需要遍歷人臉進(jìn)行特征匹配，性能較差；解決方法是可以采用人臉特征聚類，分而治之的思路；目前已有很多開(kāi)源框架，感興趣的可以參考Faiss 、milvus等庫(kù)。

目前，項(xiàng)目暫不支持人臉真?zhèn)舞b別(活體識(shí)別)，后續(xù)計(jì)劃開(kāi)發(fā)基于RGB的活體識(shí)別功能，敬請(qǐng)期待哈

4. 人臉識(shí)別Demo效果

下圖是Python版本的人臉識(shí)別Demo效果，圖中繪制了綠色框，框上面文本是人臉識(shí)別結(jié)果和匹配相似度(置信度)；當(dāng)置信度小于rec_thresh=0.5時(shí)，人臉識(shí)別結(jié)果為unknown，表示未知。

?

5. 人臉識(shí)別C/C++版本源碼下載

參考文章?《人臉檢測(cè)和人臉識(shí)別3：C/C++實(shí)現(xiàn)人臉檢測(cè)和人臉識(shí)別》https://blog.csdn.net/guyuealian/article/details/130600571

C/C++版本人臉識(shí)別效果 Python版本人臉識(shí)別效果

6. 人臉識(shí)別Android版本源碼下載

參考文章?《人臉檢測(cè)和人臉識(shí)別4：Android實(shí)現(xiàn)人臉檢測(cè)和人臉識(shí)別》https://blog.csdn.net/guyuealian/article/details/130600600

??

7. 人臉識(shí)別Python版本源碼下載

InsightFace人臉識(shí)別Python版本源碼下載：人臉識(shí)別2：Python實(shí)現(xiàn)人臉識(shí)別Face Recognition(含源碼)

項(xiàng)目源碼包含內(nèi)容：文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-446615.html

提供兩種人臉檢測(cè)方法：一種是基于MTCNN的通用人臉檢測(cè)模型，另一種是輕量化的、快速的RFB人臉檢測(cè)模型；這個(gè)兩個(gè)模型都能實(shí)現(xiàn)人臉檢測(cè)，并同時(shí)預(yù)測(cè)人臉的五個(gè)關(guān)鍵點(diǎn)(Landmark)。

提供三個(gè)人臉識(shí)別特征提取模型：mobilenet_v2，IR-18(resnet18優(yōu)化版)以及IR-50(resnet50優(yōu)化版)，用于人臉特征提取

提供1:1人臉比對(duì)：face_compare.py，可用于人證比對(duì)等場(chǎng)景

提供人臉注冊(cè)功能：register.py，項(xiàng)目自帶人臉識(shí)別測(cè)試數(shù)據(jù)，可用于驗(yàn)證人臉識(shí)別效果

提供1:N人臉?biāo)阉鳎?/strong>face_search.py，可用于人臉簽到、人臉門禁、人員信息查詢、安防監(jiān)控等應(yīng)用場(chǎng)景

項(xiàng)目1:N人臉?biāo)阉鳎?/strong>face_search.py，支持圖片，視頻和攝像頭測(cè)試

到了這里，關(guān)于人臉識(shí)別2：InsightFace實(shí)現(xiàn)人臉識(shí)別Face Recognition(含源碼下載)的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！