本教程基于虹软免费的人脸认知引擎，介绍了人脸检测和人脸识别如何应用于实践。
此为小白教程，高手可略过。
第一步：
先从虹软官网下载Windows版SDK。
附链接：http://www.arcsoft.com.cn/ai/arcface.html
简单注册，并下载对应版本后，会提供如下APP Id和SDK key.（开发的时候会用到）
image.png
第二步：
下载后解压，我们发现压缩包内容如下：
image.png
有三个包，分别是Detection(人脸检测)，Recognition（人脸识别），Tracking（人脸跟踪）
简单介绍下这三个包的区别——
Detection(人脸检测)——用于图片的人脸检测，获取的人脸坐标可用于人脸识别
Recognition（人脸识别）——用于比对目标图像和提前注册好的图片间的相似度
Tracking（人脸跟踪）——用于视频类，如摄像头场景时人脸检测效率高于Detection
第三部：
创建Visual Studio的C++工程（我用的是vs2012）：
这里我选择了控制台程序。
image.png
由于习惯用Multi-Byte的方式开发，可以在工程右键属性中按如下方式配置Character Set.
image.png
第三步：
在工程目录下创建inc文件夹，将三个压缩包中的头文件，放在该目录中，
另外创建lib文件夹，将压缩包中的lib库放入该目录中。
Dll放入生成可执行文件的路径下（因为我现在用的是Debug版本，因此放在了Debug下面）
image.png
第四步：
在工程里包含需要的头文件和lib库。
如下我这里只用了Detection和Recognition。
#include "stdafx.h"
#include "inc/amcomdef.h"
#include "inc/ammem.h"
#include "inc/asvloffscreen.h"
#include "inc\merror.h"
#include "inc\arcsoft_fsdk_face_detection.h"
#include "inc\arcsoft_fsdk_face_recognition.h"
#pragma comment(lib,"libarcsoft_fsdk_face_detection.lib")
#pragma comment(lib,"libarcsoft_fsdk_face_recognition.lib")
#define SafeFree(p){if((p)) free(p);(p)=NULL;}
第五步：
实现照片注册。
需要用到人脸检测和人脸识别。
注意：虹软用到的图像数据格式并非Jpeg等格式，而是解码后的格式，如RGB格式，官方给的是（ASVL_PAF_RGB24_B8G8R8）
所谓注册，即通过人脸识别算法将人脸特征信息提取出来，并保存到数据库，用于后续的人脸特征比对。
附注册代码如下：
int RegisterFace(ASVLOFFSCREEN *imginfo,TCHAR * regName)
{
//FD
MByte* pfd_Mem = (MByte*)malloc(FD_MEMSIZE);
MHandle hfd_Engine = NULL;
MRESULT res = AFD_FSDK_InitialFaceEngine(APP_ID,FD_SDK_KEY, pfd_Mem, FD_MEMSIZE, &hfd_Engine,
AFD_FSDK_OPF_0_HIGHER_EXT,16,10);
if(res != MOK)
{
SafeFree(pfd_Mem);
return res;
}
LPAFD_FSDK_FACERES faces;
res = AFD_FSDK_StillImageFaceDetection(hfd_Engine, imginfo, &faces);
if(res != MOK)
printf("FD Detect Failed\r\n");
if (faces->nFace == 0)
{
printf("No faces detected\r\n");
SafeFree(pfd_Mem);
return -1;
}
//FR
MByte* pfr_Mem = (MByte*)malloc(FR_MEMSIZE);
MHandle hfr_Engine = NULL;
res = AFR_FSDK_InitialEngine(APP_ID,
FR_SDK_KEY, pfr_Mem, FR_MEMSIZE, &hfr_Engine);
if(res != MOK)
{
SafeFree(pfd_Mem);
SafeFree(pfr_Mem);
return res;
}
AFR_FSDK_FACEMODEL faceModel = { 0 };
AFR_FSDK_FACEINPUT faceInput = { 0 };
faceInput.lOrient = (AFR_FSDK_OrientCode)*faces->lfaceOrient;
//memcpy(&faceInput.rcFace , &faces->rcFace[0],sizeof(MRECT));
int leffff = faces->rcFace[0].left;
faceInput.rcFace.left = faces->rcFace[0].left;
faceInput.rcFace.bottom = faces->rcFace[0].bottom;
faceInput.rcFace.right = faces->rcFace[0].right;
faceInput.rcFace.top = faces->rcFace[0].top;
res = AFR_FSDK_ExtractFRFeature(hfr_Engine, imginfo, &faceInput,&faceModel);
if (res == MOK && faceModel.lFeatureSize > 0 && faceModel.pbFeature)
{
SaveFeature(&faceModel,regName);//保存特征
printf("注册成功!");
}
else
{
printf("注册（提取特征）失败");
return MERR_BASIC_BASE;
}
res = AFD_FSDK_UninitialFaceEngine(hfd_Engine);
res = AFR_FSDK_UninitialEngine(hfr_Engine);
SafeFree(pfd_Mem);
SafeFree(pfr_Mem);
return MOK;
}
Void Regist()
{
ASVLOFFSCREEN imageInfo = {0};
char * filepath = argv[2];
IplImage * img = cvLoadImage(filepath,1);
imageInfo.i32Width = img->width;
imageInfo.i32Height = img->height;
imageInfo.u32PixelArrayFormat = ASVL_PAF_RGB24_B8G8R8;
imageInfo.pi32Pitch[0] = imageInfo.i32Width*3;
imageInfo.ppu8Plane[0] = (MUInt8*)malloc(imageInfo.i32Height*imageInfo.pi32Pitch[0]);
memcpy(imageInfo.ppu8Plane[0],img->imageData,imageInfo.i32Height*imageInfo.pi32Pitch[0]);
RegisterFace(&imageInfo,"Leo");
}
第六步：
识别比对人脸。
所谓识别，即通过人脸识别算法将人脸特征信息提取出来，与之前的保存的特征进行比较，获取相似度值。
以下为单人脸识别比对示例，将已经保存的特征值进行逐一比对，即可找到注册人群中最相似的人，即1：N场景。如果是1:1场景的话，只需把当前的需要识别的图像和指定的特征值进行比较即可。
//faceModels2 为已保存（注册）的人脸特征
int RecoginizeFace(ASVLOFFSCREEN *imginfo, char **regName)
{
//FD
MByte* pfd_Mem = (MByte*)malloc(FD_MEMSIZE);
MHandle hfd_Engine = NULL;
MRESULT res = AFD_FSDK_InitialFaceEngine(APP_ID,FD_SDK_KEY, pfd_Mem, FD_MEMSIZE, &hfd_Engine,
AFD_FSDK_OPF_0_HIGHER_EXT,16,10);
if(res != MOK)
{
SafeFree(pfd_Mem);
return res;
}
LPAFD_FSDK_FACERES faces;
res = AFD_FSDK_StillImageFaceDetection(hfd_Engine, imginfo, &faces);
if(res != MOK)
printf("FD Detect Failed\r\n");
res = AFD_FSDK_UninitialFaceEngine(hfd_Engine);
if (faces->nFace == 0)
{
printf("No faces detected\r\n");
SafeFree(pfd_Mem);
return -1;
}
//FR
MByte* pfr_Mem = (MByte*)malloc(FR_MEMSIZE);
MHandle hfr_Engine = NULL;
res = AFR_FSDK_InitialEngine(APP_ID,
FR_SDK_KEY, pfr_Mem, FR_MEMSIZE, &hfr_Engine);
if(res != MOK)
SafeFree(pfd_Mem);
SafeFree(pfr_Mem);
return res;
AFR_FSDK_FACEMODEL faceModel = { 0 };
AFR_FSDK_FACEINPUT faceInput = { 0 };
faceInput.lOrient = (AFR_FSDK_OrientCode)faces->lfaceOrient;
res = AFR_FSDK_ExtractFRFeature(hfr_Engine, imginfo, &faceInput,&faceModel);
if (res == MOK && faceModel.lFeatureSize > 0 && faceModel.pbFeature)
{
MFloat fSimilScore = 0.0f;
//在这里和原来保存的Feature进行对比
//loadFeatures();
//MRESULT ret = AFR_FSDK_FacePairMatching(hfr_Engine, &faceModel, &faceModels2, &fSimilScore);
//fsimilScore 该值即获得
}
else
{
printf("注册（提取特征）失败");
return MERR_BASIC_BASE;
}
res = AFR_FSDK_UninitialEngine(hfr_Engine);
SafeFree(pfd_Mem);
SafeFree(pfr_Mem);
return MOK;
return 0;
}
测试了下，常规情况下0.63左右的相似度作为阈值，基本可以区分是否查找比对成功。即高于0.63应该是查找匹配成功。实际的相似度可能还需和使用场景挂钩，在0.5-0.7的范围内选择适合所在场景的值作为分界线。
网友评论