人脸识别3：C/C++ InsightFace实现人脸识别Face Recognition(含源码)
人脸识别3：C/C++ InsightFace实现人脸识别Face Recognition(含源码)
目录
1. 前言
2. 项目安装
（1）项目结构
（2）配置开发环境(OpenCV+OpenCL+base-utils+TNN)
（3）部署TNN模型
（4）CMake配置
（5）编译运行
3. 人脸识别系统
（1）人脸识别的核心算法
（2）人脸检测和关键点检测
（3）人脸校准
（4）人脸特征提取
（5）人脸比对(1:1)
（6）人脸搜索(1:N)
（7）配置文件config
（8）人脸识别优化建议
4. 人脸识别C/C++ Demo效果
5. 人脸识别Python版本源码下载
6. 人脸识别Android版本源码下载
7. 人脸识别Python版本源码下载
1. 前言
这是项目《人脸识别Face Recognition》系列之《C/C++ InsightFace实现人脸识别Face Recognition》；项目基于开源ArcFace(也称InsightFace)模型搭建一套完整的C/C++人脸识别系统（Face Recognition or Face Identification）；我们将开发一个简易的、可实时运行的人脸识别C/C++ Demo。C/C ++版本人脸识别模型推理支持CPU和GPU加速，在GPU(OpenCL)加速下，可以达到实时的人脸识别效果，非常适合在Linux开发板和Android系统开发板上部署。
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)。本项目人脸识别系统可以达到目前商业级别的人脸识别准确率，在误识率(FAR)0.1%的情况下，可提供99.78%的通过率(TAR)；可以满足人脸比对，人脸签到、人脸门禁、人员信息查询、安防监控等人脸识别应用场景。
C/C++版本人脸检测和人脸识别效果
PS：由于opencv不支持显示中文，绘图时用姓名拼音首字母代替
| C/C++版本人脸识别效果 | Python版本人脸识别效果 |
【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/130600571
更多项目《人脸识别Face Recognition》系列文章请参考：
- 人脸识别1：人脸识别数据集https://blog.csdn.net/guyuealian/article/details/130600545
- 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)https://blog.csdn.net/guyuealian/article/details/130600571
- 人脸识别4：Android InsightFace实现人脸识别Face Recognition(含源码)https://blog.csdn.net/guyuealian/article/details/130600600
2. 项目安装
项目IDE开发工具使用CLion，相关依赖库主要有OpenCV，base-utils以及TNN和OpenCL(可选)，其中OpenCV必须安装，OpenCL用于模型加速，base-utils以及TNN已经配置好，无需安装；
项目仅在Ubuntu18.04进行测试，Windows系统下请自行配置好开发环境。
（1）项目结构
（2）配置开发环境(OpenCV+OpenCL+base-utils+TNN)
项目仅在Ubuntu18.04进行测试，Windows系统下请自行配置和编译
- 安装OpenCV：图像处理
图像处理（如读取图片，图像裁剪等）都需要使用OpenCV库进行处理
安装教程：Ubuntu18.04安装opencv和opencv_contrib_AI吃大瓜的博客-CSDN博客_opencv opencv_contrib ubuntu
OpenCV库使用opencv-4.3.0版本，opencv_contrib库暂时未使用，可不安装
- 安装OpenCL：模型加速
安装教程：Ubuntu16.04 安装OpenCV&OpenCL_xiaozl_284的博客-CSDN博客_clinfo源码下载
OpenCL用于模型GPU加速，若不使用OpenCL进行模型推理加速，纯C++推理模型，速度会特别特别慢
- base-utils：C++库
GitHub：https://github.com/PanJinquan/base-utils （无需安装，项目已经配置了）
base_utils是个人开发常用的C++库，集成了C/C++ OpenCV等常用的算法
- TNN：模型推理
GitHub：https://github.com/Tencent/TNN （无需安装，项目已经配置了）
由腾讯优图实验室开源的高性能、轻量级神经网络推理框架，同时拥有跨平台、高性能、模型压缩、代码裁剪等众多突出优势。TNN框架在原有Rapidnet、ncnn框架的基础上进一步加强了移动端设备的支持以及性能优化，同时借鉴了业界主流开源框架高性能和良好拓展性的特性，拓展了对于后台X86, NV GPU的支持。手机端 TNN已经在手机QQ、微视、P图等众多应用中落地，服务端TNN作为腾讯云AI基础加速框架已为众多业务落地提供加速支持。
（3）部署TNN模型
项目模型推理采用TNN部署框架（支持多线程CPU和GPU加速推理）；图像处理采用OpenCV库，模型加速采用OpenCL，在普通电脑设备即可达到实时处理。
（4）CMake配置
这是CMakeLists.txt，其中主要配置OpenCV+OpenCL+base-utils+TNN这四个库，Windows系统下请自行配置和编译
cmake_minimum_required(VERSION 3.5)
project(Detector)
add_compile_options(-fPIC) # fix Bug: can not be used when making a shared object
set(CMAKE_CXX_FLAGS "-Wall -std=c++11 -pthread")
#set(CMAKE_CXX_FLAGS_RELEASE "-O2 -DNDEBUG")
#set(CMAKE_CXX_FLAGS_DEBUG "-g")
if (NOT CMAKE_BUILD_TYPE AND NOT CMAKE_CONFIGURATION_TYPES)
# -DCMAKE_BUILD_TYPE=Debug
# -DCMAKE_BUILD_TYPE=Release
message(STATUS "No build type selected, default to Release")
set(CMAKE_BUILD_TYPE "Release" CACHE STRING "Build type (default Debug)" FORCE)
endif ()
# opencv set
find_package(OpenCV REQUIRED)
include_directories(${OpenCV_INCLUDE_DIRS} ./src/)
#MESSAGE(STATUS "OpenCV_INCLUDE_DIRS = ${OpenCV_INCLUDE_DIRS}")
# base_utils
set(BASE_ROOT 3rdparty/base-utils) # 设置base-utils所在的根目录
add_subdirectory(${BASE_ROOT}/base_utils/ base_build) # 添加子目录到build中
include_directories(${BASE_ROOT}/base_utils/include)
include_directories(${BASE_ROOT}/base_utils/src)
MESSAGE(STATUS "BASE_ROOT = ${BASE_ROOT}")
# TNN set
# Creates and names a library, sets it as either STATIC
# or SHARED, and provides the relative paths to its source code.
# You can define multiple libraries, and CMake builds it for you.
# Gradle automatically packages shared libraries with your APK.
# build for platform
if (CMAKE_SYSTEM_NAME MATCHES "Android")
set(TNN_OPENCL_ENABLE ON CACHE BOOL "" FORCE)
set(TNN_ARM_ENABLE ON CACHE BOOL "" FORCE)
set(TNN_BUILD_SHARED OFF CACHE BOOL "" FORCE)
set(TNN_OPENMP_ENABLE ON CACHE BOOL "" FORCE) # Multi-Thread
#set(TNN_HUAWEI_NPU_ENABLE OFF CACHE BOOL "" FORCE)
add_definitions(-DTNN_OPENCL_ENABLE) # for OpenCL GPU
add_definitions(-DTNN_ARM_ENABLE) # for Android CPU
add_definitions(-DDEBUG_ANDROID_ON) # for Android Log
add_definitions(-DPLATFORM_ANDROID)
elseif (CMAKE_SYSTEM_NAME MATCHES "Linux")
set(TNN_OPENCL_ENABLE ON CACHE BOOL "" FORCE)
set(TNN_CPU_ENABLE ON CACHE BOOL "" FORCE)
set(TNN_X86_ENABLE ON CACHE BOOL "" FORCE)
set(TNN_QUANTIZATION_ENABLE OFF CACHE BOOL "" FORCE)
set(TNN_OPENMP_ENABLE ON CACHE BOOL "" FORCE) # Multi-Thread
add_definitions(-DTNN_OPENCL_ENABLE) # for OpenCL GPU
add_definitions(-DDEBUG_ON) # for WIN/Linux Log
add_definitions(-DDEBUG_LOG_ON) # for WIN/Linux Log
add_definitions(-DDEBUG_IMSHOW_OFF) # for OpenCV show
add_definitions(-DPLATFORM_LINUX)
elseif (CMAKE_SYSTEM_NAME MATCHES "Windows")
set(TNN_OPENCL_ENABLE ON CACHE BOOL "" FORCE)
set(TNN_CPU_ENABLE ON CACHE BOOL "" FORCE)
set(TNN_X86_ENABLE ON CACHE BOOL "" FORCE)
set(TNN_QUANTIZATION_ENABLE OFF CACHE BOOL "" FORCE)
set(TNN_OPENMP_ENABLE ON CACHE BOOL "" FORCE) # Multi-Thread
add_definitions(-DTNN_OPENCL_ENABLE) # for OpenCL GPU
add_definitions(-DDEBUG_ON) # for WIN/Linux Log
add_definitions(-DDEBUG_LOG_ON) # for WIN/Linux Log
add_definitions(-DDEBUG_IMSHOW_OFF) # for OpenCV show
add_definitions(-DPLATFORM_WINDOWS)
endif ()
set(TNN_ROOT 3rdparty/TNN)
include_directories(${TNN_ROOT}/include)
include_directories(${TNN_ROOT}/third_party/opencl/include)
add_subdirectory(${TNN_ROOT}) # 添加外部项目文件夹
set(TNN -Wl,--whole-archive TNN -Wl,--no-whole-archive)# set TNN library
MESSAGE(STATUS "TNN_ROOT = ${TNN_ROOT}")
# dlcv库
include_directories(src)
set(SRC_LIST
src/face_alignment.cpp
src/face_recognizer.cpp
src/face_feature.cpp
src/object_detection.cpp
src/Interpreter.cpp
)
add_library(dlcv SHARED ${SRC_LIST})
target_link_libraries(dlcv
${TNN}
${OpenCV_LIBS}
base_utils)
MESSAGE(STATUS "DIR_SRCS = ${SRC_LIST}")
# demo
add_executable(test_face_landmark test_face_landmark.cpp)
add_executable(test_alignment test_alignment.cpp)
add_executable(test_compare_face test_compare_face.cpp)
add_executable(test_register test_register.cpp)
add_executable(test_search_face test_search_face.cpp)
target_link_libraries(test_face_landmark dlcv -lpthread)
target_link_libraries(test_alignment dlcv -lpthread)
target_link_libraries(test_compare_face dlcv -lpthread)
target_link_libraries(test_register dlcv -lpthread)
target_link_libraries(test_search_face dlcv -lpthread)
（5）编译运行
在Ubuntu系统终端输入： bash build.sh
#!/usr/bin/env bash
if [ ! -d "build/" ];then
mkdir "build"
else
echo "exist build"
fi
cd build
cmake ..
make -j4
sleep 1
# 测试人脸检测和关键点检测效果
./test_face_landmark
# 测试人脸校准效果
./test_alignment
# 测试人脸识别1:1比对
./test_compare_face
# 测试注册人脸，生成人脸数据库
./test_register
# 测试1:N人脸搜索,支持测试图片，视频和摄像头
./test_search_face
./test_face_landmark ：测试人脸检测和关键点检测效果
./test_alignment ：测试人脸校准效果
./test_compare_face ：测试人脸识别1:1比对
./test_register ：测试注册人脸，生成人脸数据库
./test_search_face ：测试1:N人脸搜索,支持测试图片，视频和摄像头
3. 人脸识别系统
人脸识别主要包含人脸比对(1:1)和人脸搜索(1:N)两大功能，涉及的核心算法主要包含：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)；当然，实际业务中，可能还会增加人脸质量检测以及活体识别等算法，碍于篇幅，后续再分享活体识别算法。
下图给出本项目人脸识别系统算法实现架构流程图：
（1）人脸识别的核心算法
项目src/face_recognizer.h实现了人脸识别的核心算法，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)等功能，用于可以参考该头文件，实现人脸识别的基本功能
//
// Created by [email protected] on 2018/6/3.
//
#ifndef FACE_RECOGNITION_H
#define FACE_RECOGNITION_H
#include "Types.h"
#include "face_feature.h"
#include "object_detection.h"
#include （2）人脸检测和关键点检测
人脸检测的方法比较多，项目Python版本人脸识别提供两种人脸检测方法：一种是基于MTCNN的通用人脸检测模型，另一种是轻量化的、快速的RFB人脸检测模型；这个两个模型都能实现人脸检测，并同时预测人脸的五个关键点(Landmark)。C/C++版本版本只提供RFB人脸检测和关键点检测模型。
| 模型 | Paper | 源码 | 说明 |
| MTCNN | Paper | Link |
|
| RFB | Paper | Link |
|
- MTCNN人脸检测参考项目：GitHub - Sierkinhane/mtcnn-pytorch: A face detection algorithm
- RFB人脸检测参考项目：GitHub - Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB: 1MB lightweight face detection model (1MB轻量级人脸检测模型)
- 项目test_face_landmark.cpp实现了人脸检测和关键检测的功能，编译完成后，终端运行
# 测试人脸检测和关键点检测效果
./test_face_landmark下图是RFB模型人脸检测和人脸关键点(Landmark)检测效果
- 人脸关键点(Landmark)：共预测五个人脸关键点，分别为：左眼中心点，右眼中心点，鼻尖中心点以及左嘴角和右嘴角
- 利用Landmark信息，后续可以通过仿射变换，对人脸进行校准，获得相对比较正的人脸。人脸校准可以有效提升人脸识别的效果
（3）人脸校准
利用Landmark信息，可以通过仿射变换，对人脸进行校准，获得相对比较正的人脸，项目src/face_alignment.h模块提供人脸校准算法。
其中实现思路是：
利用OpenCV的estimateAffine2D()函数估计人脸关键点(5个landmark)和参考人脸关键点(reference landmark)的仿射变换矩阵M，再根据仿射变换矩阵M矫正人脸图像
下图给出人脸校准的效果图，其中【image】是原始图像，而【FaceAlignment】是最终矫正的人脸效果图。
- 项目test_alignment.cpp实现了人脸校准的功能，编译完成后，终端运行
# 测试人脸校准效果
./test_alignment
（4）人脸特征提取
项目基于开源的ArcFace(也称InsightFace)训练框架，开发并优化了三个版本的人脸识别模型：mobilenet_v2，IR-18(resnet18优化版)以及IR-50(resnet50优化版)，用于人脸特征提取
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resnet18参数量比较大，计算量较大，适合在PC服务器部署 ；而mobilenet_v2
模型计算量较小，适合嵌入式，开发板，Android等终端部署。
（5）人脸比对(1:1)
1:1人脸比对(也称人脸验证，身份验证)，即将两张人脸进行1:1比对，得到人脸相似度，来判断是否是同一个人，一般用作人证比对等场景，比如银行卡/QQ/微信/支付宝等账号登录时人脸身份验证。
- 项目实现了1:1人脸比对功能(test_compare_face.cpp)，编译完成后，测试1:1人脸比对，可在终端运行：
# 测试人脸识别1:1比对
./test_compare_face运行结果如下：
（6）人脸搜索(1:N)
1:N人脸搜索，将一张人脸和N张人脸进行比对，找出最相似的一张或多张人脸，即1:N人脸搜索。可用作人脸签到、人脸门禁、人员信息查询、安防监控等应用场景。
项目实现了1:N人脸搜索功能，需要提前生成人脸数据库(Face database)，先录入注册人脸数据
database人脸图像要求满足以下：
- 图片按照[ID-XXXX.jpg]命名,如:张三-image.jpg，作为人脸识别的底图
- 个人照片可以是个人证件照，生活照，肖像照片，要求五官清晰且正脸的照片，不能出现多个人脸的情况
- 尽量不要出现过度美颜，头发遮挡，低头侧脸等问题
由于C++版本的opencv不支持显示中文，绘图时用姓名拼音首字母代替，如刘亦菲，简称LYF；Python版本可正常显示中文字符
项目test_register.cpp实现人脸数据库(database)人脸注册功能，编译完成后，可在终端运行：
# 图片按照[ID-XXXX.jpg]命名,如:张三-image.jpg，作为人脸识别的底图
# 人脸肖像照片要求五官清晰且正脸的照片，不能出现多个人脸的情况
# 测试注册人脸，生成人脸数据库
./test_register运行结果如下：
如果需要注册新人 ，请参考如下步骤：
- 采集一张新人的个人照片，以张三的照片为例子
- 照片保存在人脸数据库中(data/database/portrait)中，图片按照[ID-XXXX.jpg]命名,如:张三-image.jpg，作为人脸识别的底图
- 然后运行test_register，完成人脸数据库的人脸注册
完成人脸注册后，下一步可以进行1:N人脸搜索，实现人脸识别的功能
- 项目test_search_face.cpp实现了1:N人脸搜索功能，支持图片，视频和摄像头测试，编译完成后，终端输入：
# 测试1:N人脸搜索,支持测试图片，视频和摄像头
./test_search_face
//
// Created by [email protected] on 2018/6/3.
//
#include
#include
#include
#include "object_detection.h"
#include "face_recognizer.h"
#include "config.h"
#include "file_utils.h"
#include
using namespace std;
using namespace dl;
using namespace vision;
/***
* 1:N人脸搜索,测试图片文件
*/
void test_search_face_image() {
// 测试图片数据
string image_dir = "../data/test_image";
string output = "../output";
//初始化人脸识别
FaceRecognizer *faceReg = new FaceRecognizer(det_tnnmodel,
det_tnnproto,
rec_tnnmodel,
rec_tnnproto,
database,
embeddingSize,
alignment,
num_thread,
GPU);
// 获得所有图片
std::vector image_list = get_files_list(image_dir);
for (const string &image_file:image_list) {
string basename = get_basename(image_file);
printf("load image file: %s\n", image_file.c_str());
// 读取测试图片
cv::Mat bgr_image = cv::imread(image_file);
if (bgr_image.empty()) continue;
// 创建FrameInfo结构体，用于缓存检测和识别等结果
FrameInfo frameInfo;
// 进行1:N人脸搜索
faceReg->detectSearch(bgr_image, &frameInfo, -1, det_conf_thresh, det_iou_thresh, rec_conf_thresh);
// 可视化人脸识别结果
cv::Mat vis_image = dl::vision::FaceRecognizer::visualizeResult("Recognizer", bgr_image, &frameInfo, 0);
string out_file = path_joint(output, basename);
printf("save image file: %s\n", out_file.c_str());
image_save(out_file, vis_image);
}
delete faceReg;
faceReg = nullptr;
printf("FINISHED.\n");
}
/***
* 1:N人脸搜索,测试视频文件
*/
void test_search_face_video() {
//视频文件夹
string video_file = "../data/test-video.mp4";
//初始化人脸识别
FaceRecognizer *faceReg = new FaceRecognizer(det_tnnmodel,
det_tnnproto,
rec_tnnmodel,
rec_tnnproto,
database,
embeddingSize,
alignment,
num_thread,
GPU);
cv::VideoCapture cap;
bool ret = get_video_capture(video_file, cap);
cv::Mat frame;
while (ret) {
cap >> frame;
if (frame.empty()) break;
// 创建FrameInfo结构体，用于缓存检测和识别等结果
FrameInfo frameInfo;
// 进行1:N人脸搜索
faceReg->detectSearch(frame, &frameInfo, -1, det_conf_thresh, det_iou_thresh, rec_conf_thresh);
// 可视化人脸识别结果
dl::vision::FaceRecognizer::visualizeResult("Recognizer", frame, &frameInfo, 30);
}
cap.release();
delete faceReg;
faceReg = nullptr;
}
/***
* 1:N人脸搜索,测试摄像头
*/
void test_search_face_camera() {
//摄像头ID号(请修改成自己摄像头ID号)
string video_file = 0;
//初始化人脸识别
FaceRecognizer *faceReg = new FaceRecognizer(det_tnnmodel,
det_tnnproto,
rec_tnnmodel,
rec_tnnproto,
database,
embeddingSize,
alignment,
num_thread,
GPU);
cv::VideoCapture cap;
bool ret = get_video_capture(video_file, cap);
cv::Mat frame;
while (ret) {
cap >> frame;
if (frame.empty()) break;
// 创建FrameInfo结构体，用于缓存检测和识别等结果
FrameInfo frameInfo;
// 进行1:N人脸搜索
faceReg->detectSearch(frame, &frameInfo, -1, det_conf_thresh, det_iou_thresh, rec_conf_thresh);
// 可视化人脸识别结果
dl::vision::FaceRecognizer::visualizeResult("Recognizer", frame, &frameInfo, 30);
}
cap.release();
delete faceReg;
faceReg = nullptr;
}
int main() {
/***测试1:N人脸搜索，需要注册人脸，生成人脸数据库(test_register.cpp)***/
test_search_face_image(); //1:N人脸搜索,测试图片文件
test_search_face_video(); //1:N人脸搜索,测试视频文件
test_search_face_camera(); //1:N人脸搜索,测试摄像头
return 0;
}
（7）配置文件config
项目配置文件src/config.h，用于设置人脸检测模型，特征提取模型，可以根据自己的需要选择
- C++版本的人脸检测模型,目前仅支持RFB人脸检测和关键点检测
- 人脸识别(特征提取)模型，目前支持resnet50,resnet18和mobilenet_v2模型
人脸识别特征提取模型，提供resnet50,resnet18和mobilenet_v2 ，其测试准确率，参考如下:
| 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resnet18参数量比较大，计算量较大，适合在PC服务器部署 ；而mobilenet_v2
模型计算量较小，适合嵌入式，开发板，Android等终端部署。
//
// Created by dm on 2018/5/12.
//
#ifndef DETECTOR_CONFIG_H
#define DETECTOR_CONFIG_H
#include
#include
#include "Interpreter.h"
static int num_thread = 1; // 开启线程数(CPU)
static DeviceType device = GPU; // 使用GPU运行，支持CPU和GPU(OpenCL)
//static DeviceType device = CPU; // 还有CPU运行，支持CPU和GPU(OpenCL)
static float det_conf_thresh = 0.5; // 人脸检测置信度阈值，小于该阈值的检测框会被剔除
static float det_iou_thresh = 0.3; // 人脸检测IOU阈值
static float rec_conf_thresh = 0.5; // 人脸识别阈值，小于该阈值的人脸识别结果为unknown，表示未知
static int embeddingSize = 512; // 特征维度
static bool alignment = true; // 是否进行人脸校准
static string portrait = "../data/database/portrait"; // 人脸数据库图像路径,用于注册人脸
static string database = "../data/database/feature"; // 人脸数据库特征路径database(注册人脸后生成的特征文件)
static string rec_tnnmodel = "../data/tnn/recognition/mobilenet_v2.sim.tnnmodel"; // 人脸检测模型 *.tnnmodel参数文件路径
static string rec_tnnproto = "../data/tnn/recognition/mobilenet_v2.sim.tnnproto"; // 人脸检测模型 *.tnnproto模型文件路径
//static string rec_tnnmodel = "../data/tnn/recognition/resnet18.sim.tnnmodel"; // 人脸检测模型 *.tnnmodel参数文件路径
//static string rec_tnnproto = "../data/tnn/recognition/resnet18.sim.tnnproto"; // 人脸检测模型 *.tnnproto模型文件路径
//static string rec_tnnmodel = "../data/tnn/recognition/resnet50.sim.tnnmodel"; // 人脸检测模型 *.tnnmodel参数文件路径
//static string rec_tnnproto = "../data/tnn/recognition/resnet50.sim.tnnproto"; // 人脸检测模型 *.tnnproto模型文件路径
static string det_tnnmodel = "../data/tnn/face_ldmks/rfb_landm_face_320_320_sim.opt.tnnmodel";// 人脸特征提取模型 *.tnnmodel参数文件路径
static string det_tnnproto = "../data/tnn/face_ldmks/rfb_landm_face_320_320_sim.opt.tnnproto";// 人脸特征提取模型 *.tnnproto模型文件路径
#endif //DETECTOR_CONFIG_H
（8）人脸识别优化建议
- 人脸识别依赖人脸检测，一个高精度的人脸检测模型算法，可以有效提高人脸识别的准确率
- 人脸校准算法可以矫正人脸倾斜等问题，可以极大提高人脸识别效果；需要依赖人脸关键点检测(Landmark)，本项目使用的RFB模型预测人脸关键点
- 人脸识别中，待识别人脸图片，如果存在低头侧脸，或者人脸存在遮挡等情况，人脸识别准确率较低(可能被识别为unknown)，实际使用过程中，需要用户配合，正对着摄像头，以提高人脸识别准确率的效果。
- 1:N人脸搜索中，要求注册底库的人脸数据库是高质量的个人照片；建议每人需要提供一张高清的、不模糊的、少美颜的，五官清晰可见的，正脸的，不低头不侧脸的个人自拍照(生活照、证件照)，以便可以生成高质量的人脸特征
- 1:N人脸搜索中，当N属于百万级别以上海量人脸数据时，人脸识别会比较慢，毕竟需要遍历人脸进行特征匹配，性能较差；解决方法是可以采用人脸特征聚类，分而治之的思路；目前已有很多开源框架，感兴趣的可以参考Faiss 、milvus等库。
- 目前，项目暂不支持人脸真伪鉴别(活体识别)，后续计划开发基于RGB的活体识别功能，敬请期待哈
4. 人脸识别C/C++ Demo效果
下图是C/C++版本的人脸识别Demo效果，图中绘制了绿色框，框上面文本是人脸识别结果和匹配相似度(置信度)；当置信度小于rec_thresh=0.5时，人脸识别结果为unknown，表示未知。由于C++版本的opencv不支持显示中文，绘图时用姓名拼音首字母代替，如刘亦菲，简称LYF；Python版本可正常显示中文字符
| C/C++版本人脸识别效果 | Python版本人脸识别效果 |
5. 人脸识别Python版本源码下载
参考文章 《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
| C/C++版本人脸识别效果 | Python版本人脸识别效果 |
6. 人脸识别Android版本源码下载
参考文章 《人脸检测和人脸识别4：Android实现人脸检测和人脸识别》https://blog.csdn.net/guyuealian/article/details/130600600
7. 人脸识别Python版本源码下载
C/C++ InsightFace实现人脸识别Face Recognition项目含源码下载地址：
项目源码包含内容：人脸识别3：C/C++ InsightFace实现人脸识别Face Recognition(含源码)
- 提供轻量化的、快速的RFB人脸检测模型，该模型可实现人脸检测，并同时预测人脸的五个关键点(Landmark)。
- 提供三个人脸识别特征提取模型：mobilenet_v2，IR-18(resnet18优化版)以及IR-50(resnet50优化版)，用于人脸特征提取
- 提供1:1人脸比对：test_compare_face.cpp，可用于人证比对等场景
- 提供人脸注册功能：test_register.cpp，项目自带人脸识别测试数据，可用于验证人脸识别效果
- 提供1:N人脸搜索：test_search_face.cpp，可用于人脸签到、人脸门禁、人员信息查询、安防监控等应用场景
- 项目1:N人脸搜索：test_search_face.cpp，支持图片，视频和摄像头测试