1. 人臉識(shí)別簡(jiǎn)介

人臉識(shí)別，是基于人的臉部特征信息進(jìn)行身份識(shí)別的一種生物識(shí)別技術(shù)。用攝像機(jī)或攝像頭采集含有人臉的圖像或視頻流，并自動(dòng)在圖像中檢測(cè)和跟蹤人臉，進(jìn)而對(duì)檢測(cè)到的人臉進(jìn)行臉部識(shí)別的一系列相關(guān)技術(shù)，通常也叫做人像識(shí)別、面部識(shí)別。

人臉識(shí)別系統(tǒng)主要包括四個(gè)組成部分，分別為：人臉圖像采集及檢測(cè)、人臉圖像預(yù)處理、人臉圖像特征提取以及匹配與識(shí)別，本實(shí)例也包括這幾個(gè)流程。

本人臉識(shí)別算法在數(shù)據(jù)集表現(xiàn)如下所示：

基于EASY-EAI-Nano-TB硬件主板的運(yùn)行效率：

2. 快速上手

2.1 開發(fā)環(huán)境準(zhǔn)備

如果您初次閱讀此文檔，請(qǐng)閱讀《入門指南/開發(fā)環(huán)境準(zhǔn)備/Easy-Eai編譯環(huán)境準(zhǔn)備與更新》，并按照其相關(guān)的操作，進(jìn)行編譯環(huán)境的部署。

在PC端Ubuntu系統(tǒng)中執(zhí)行run腳本，進(jìn)入EASY-EAI編譯環(huán)境，具體如下所示。

cd ~/develop_environment ./run.sh

2.2 源碼下載

在EASY-EAI編譯環(huán)境下創(chuàng)建存放源碼倉(cāng)庫(kù)的管理目錄：

cd /opt mkdir EASY-EAI-Toolkit cd EASY-EAI-Toolkit

通過git工具，在管理目錄內(nèi)克隆遠(yuǎn)程倉(cāng)庫(kù)

git clone https://github.com/EASY-EAI/EASY-EAI-Toolkit-1126B.git

注：

* 此處可能會(huì)因網(wǎng)絡(luò)原因造成卡頓，請(qǐng)耐心等待。

* 如果實(shí)在要在gitHub網(wǎng)頁上下載，也要把整個(gè)倉(cāng)庫(kù)下載下來，不能單獨(dú)下載本實(shí)例對(duì)應(yīng)的目錄。

2.3 模型部署

要完成算法Demo的執(zhí)行，需要先下載人臉檢測(cè)算法模型。

百度網(wǎng)盤鏈接為：https://pan.baidu.com/s/1nGQCTpD_Bk4byxqILZSWwA?pwd=1234 （提取碼：1234 ）。

同時(shí)也要下載人臉識(shí)別算法模型。

百度網(wǎng)盤鏈接為: https://pan.baidu.com/s/11H6TefuBSZy28E4BTgPIMw?pwd=1234 (提取碼：1234 )。

然后需要把下載的人臉檢測(cè)算法模型和人臉識(shí)別算法模型復(fù)制粘貼到Release/目錄：

2.4 例程編譯

進(jìn)入到對(duì)應(yīng)的例程目錄執(zhí)行編譯操作，具體命令如下所示：

cd EASY-EAI-Toolkit-1126B/Demos/algorithm-face_recognition/ ./build.sh cpres

注：

* 由于依賴庫(kù)部署在板卡上，因此交叉編譯過程中必須保持/mnt掛載。

* 若build.sh腳本帶有cpres參數(shù)，則會(huì)把Release/目錄下的所有資源都拷貝到開發(fā)板上。

2.5 例程運(yùn)行及效果

通過串口調(diào)試或ssh調(diào)試，進(jìn)入板卡后臺(tái)，定位到例程部署的位置，如下所示：

cd /userdata/Demo/algorithm-face_recognition/

運(yùn)行例程命令如下所示：

sudo ./test-face-recognition 1.jpg 2.jpg

運(yùn)行例程命令如下所示，similarity值大于0.4認(rèn)為是同一個(gè)人，值越大可能性越高，similarity值范圍在-1~1之間：

API的詳細(xì)說明，以及API的調(diào)用（本例程源碼），詳細(xì)信息見下方說明。

3. 人臉檢測(cè)API說明

3.1 引用方式

為方便客戶在本地工程中直接調(diào)用我們的EASY EAI api庫(kù)，此處列出工程中需要鏈接的庫(kù)以及頭文件等，方便用戶直接添加。

3.2 人臉檢測(cè)初始化函數(shù)

設(shè)置人臉檢測(cè)初始化函數(shù)原型如下所示。

int face_detect_init(rknn_context *ctx, const char *path)

具體介紹如下所示。

3.3 人臉檢測(cè)運(yùn)行函數(shù)

設(shè)face_detect_run原型如下所示。

int face_detect_run(rknn_context ctx, cv::Mat &input_image, std::vector &result)

具體介紹如下所示。

3.4 人臉檢測(cè)釋放函數(shù)

人臉檢測(cè)釋放函數(shù)原型如下所示。

int face_detect_release(rknn_context ctx)

具體介紹如下所示。

4. 人臉標(biāo)準(zhǔn)化API說明

4.1 引用方式

為方便客戶在本地工程中直接調(diào)用我們的EASY EAI api庫(kù)，此處列出工程中需要鏈接的庫(kù)以及頭文件等，方便用戶直接添加。

4.2 人臉標(biāo)準(zhǔn)化函數(shù)

設(shè)置人臉標(biāo)準(zhǔn)化函數(shù)原型如下所示。

cv::Mat face_alignment(cv::Mat img, cv::Point2f* points)

具體介紹如下所示。

5. 人臉識(shí)別API說明

5.1 引用方式

為方便客戶在本地工程中直接調(diào)用我們的EASY EAI api庫(kù)，此處列出工程中需要鏈接的庫(kù)以及頭文件等，方便用戶直接添加。

5.2 人臉識(shí)別初始化函數(shù)

設(shè)置人臉識(shí)別初始化函數(shù)原型如下所示。

int face_recognition_init(rknn_context *ctx, const char * path)

具體介紹如下所示。

5.3 人臉識(shí)別運(yùn)行函數(shù)

設(shè)face_recognition_run原型如下所示。

int face_recognition_run(rknn_context ctx, cv::Mat *face_image, float (*feature)[512])

具體介紹如下所示。

5.4 人臉識(shí)別特征比對(duì)函數(shù)

設(shè)face_recognition_comparison原型如下所示。

float face_recognition_comparison(float *feature_1, float *feature_2, int output_len)

具體介紹如下所示。

5.5 人臉識(shí)別釋放函數(shù)

人臉識(shí)別釋放函數(shù)原型如下所示。

int face_recognition_release(rknn_context ctx)

具體介紹如下所示。

6. 人臉識(shí)別算法例程

例程目錄為Demos/algorithm-face_recognition/test-face-recognition.cpp，操作流程如下。

參考例程如下所示。

#include #include #include #include #include #include #include "face_detect.h" #include "face_alignment.h" #include "face_recognition.h" using namespace cv; int main(int argc, char **argv) { rknn_context detect_ctx, recognition_ctx; std::vector result1, result2; int ret; struct timeval start; struct timeval end; float time_use=0; if( argc != 3) { printf("./face_recognition_demo xxx.jpg xxx.jpg\n"); return -1; } cv::Mat src_1, src_2; src_1 = cv::imread(argv[1], 1); src_2 = cv::imread(argv[2], 1); /* 人臉檢測(cè)初始化 */ printf("face detect init!\n"); ret = face_detect_init(&detect_ctx, "./face_detect.model"); if( ret < 0) { printf("face_detect_init fail! ret=%d\n", ret); return -1; } /* 人臉識(shí)別初始化 */ printf("face recognition init!\n"); ret = face_recognition_init(&recognition_ctx, "./face_recognition.model"); if( ret < 0) { printf("face_recognition fail! ret=%d\n", ret); return -1; } /* 人臉檢測(cè)執(zhí)行 */ face_detect_run(detect_ctx, src_1, result1); face_detect_run(detect_ctx, src_2, result2); Point2f points1[5], points2[5]; for (int j = 0; j < (int)result1[0].landmarks.size(); ++j) { points1[j].x = (int)result1[0].landmarks[j].x; points1[j].y = (int)result1[0].landmarks[j].y; } for (int j = 0; j < (int)result2[0].landmarks.size(); ++j) { points2[j].x = (int)result2[0].landmarks[j].x; points2[j].y = (int)result2[0].landmarks[j].y; } Mat face_algin_1, face_algin_2; face_algin_1 = face_alignment(src_1, points1); face_algin_2 = face_alignment(src_2, points2); /* 人臉識(shí)別執(zhí)行 */ float feature_1[512], feature_2[512]; gettimeofday(&start,NULL); face_recognition_run(recognition_ctx, &face_algin_1, &feature_1); gettimeofday(&end,NULL); time_use=(end.tv_sec-start.tv_sec)*1000000+(end.tv_usec-start.tv_usec);//微秒 printf("time_use is %f\n",time_use/1000); face_recognition_run(recognition_ctx, &face_algin_2, &feature_2); float similarity; similarity = face_recognition_comparison(feature_1, feature_2, 512); printf("similarity:%f\n", similarity); /* 人臉檢測(cè)釋放 */ face_detect_release(detect_ctx); /* 人臉識(shí)別釋放 */ face_recognition_release(recognition_ctx); return 0; }