基于深度学习的人脸检测与静默活体检测——C++实现

前言

1.系统环境是win10,显卡RTX3080;cuda10.2,cudnn7.1;OpenCV4.5，ncnn版本是20210525;C++ IDE vs2019。
2.使用NCNN作模型推理加速库，能更容易的使用GPU进行加速，代码不需要改动很大就可以移植到边缘设备或者移动端上。

一、人脸检测

1.人脸检测用的yolov5-face,yolov5-face是一种实时、高精度的人脸检测，搭配NCNN在安卓上（Mate 30 pro）cpu 能跑出18 FPS左右，GPU能跑出25 FPS。算法源码地址：https://github.com/deepcam-cn/yolov5-face 。论文地址：https://arxiv.org/abs/2105.12931 。
2.人脸检测效果：

二、活体检测

1、人脸活体检测是用来检测当前摄像头所检测到的人脸是否是伪造的，是人脸验证和人脸识别的前提条件，如果不能检测出来是否是活体，那么就会出现比如常见用照片，人脸面具，3D人像等其他媒介来骗过人脸识别系统。
2、目前主流的活体解决方案分为配合式活体检测和非配合式活体检测（静默活体检测）。配合式活体检测需要用户根据提示完成指定的动作(比如眨眼，头往哪边转一下)，然后再进行活体校验，静默活体则在用户无感的情况下直接进行活体校验。
3、这里演示的是静默活体检测，算法地址：https://github.com/minivision-ai/Silent-Face-Anti-Spoofing 。

三、代码

1.代码流程，输入摄像头或者视频，先检测当前画面是否存在人脸，如果在用到项目上，也可以做当前存在是否是唯一人脸的检测，存在人脸则对人脸做活体检测，检测当前输入的人脸是否是活体人脸。
2.代码：

#include 
#include "TLive.h"
#include "yoloface.h"
#include 

cv::Rect targetResize(const cv::Mat& cv_src, cv::Mat& cv_dst, int target_w, int target__h);

int main(void)
{

    int target_w = 640, target_h = 480;
	YoloFace yolo_face;
    TLive live;

    //加载活体检测模型
    live.LoadModel("models/live/");
    //加载人脸检测模型
	yolo_face.loadModel("models/face/face_lite");
    cv::VideoCapture cap;

    //打开摄像头或者是输入视频
    //cap.open(0);
    cap.open("face.mp4");
    if (!cap.isOpened())
    {
        return 0;
    }

    cv::Mat cv_src;
    while (1)
    {
        cap >> cv_src;

        if (cv_src.empty())
        {
            break;
        }

       std::vector<Object> objects;
       
       //图像边界扩展，这步是为了提高精度
       cv::Mat cv_target;
       cv::Rect rect = targetResize(cv_src, cv_target, target_w, target_h);

       //人脸检测
       yolo_face.detection(cv_target, objects);
        
        for (int i = 0; i < objects.size(); ++i)
        {
            float x1 = objects[i].rect.x;
            float y1 = objects[i].rect.y;
            float x2 = objects[i].rect.width + x1;
            float y2 = objects[i].rect.height + y1;
            struct LiveFaceBox LiveBox = { x1,y1,x2,y2 };
            //活体检测
            float prod = live.Detect(cv_target, LiveBox);
            objects[i].live = prod;
        }
        //输出结果
        yolo_face.drawFace(cv_target, objects);
        cv::Mat cv_dst(cv_target(rect));
        cv::namedWindow("face", 0);
        cv::imshow("face", cv_dst);
        cv::waitKey(20);
    }
    cap.release();
    return 0;
}
cv::Rect targetResize(const cv::Mat& cv_src, cv::Mat& cv_dst, int target_w, int target_h)
{
    float s;
   
    if (cv_src.cols > cv_src.rows)
    {
        s = float(target_w) / cv_src.cols;
    }
    else
    {
        s = float(target_h) / cv_src.rows;
      
    }
    float w = cv_src.cols * s;
    float h = cv_src.rows * s;
    int w_p = (target_w - w) / 2;
    int h_p = (target_h - h) / 2;

    cv::Mat cv_size;
    cv::resize(cv_src, cv_size, cv::Size(w, h));
    cv::copyMakeBorder(cv_size, cv_dst, h_p, h_p, w_p, w_p, cv::BORDER_CONSTANT, 114.f);

    return cv::Rect(w_p, h_p, cv_size.cols, cv_size.rows);
}

3.测试结果
先输入一个全是照片的视频：

再测试一个正常的活动的人脸：

4.源码地址：https://download.csdn.net/download/matt45m/84996790