智客公社

标题: 146.人工智能——基于InsightFace(ONNX模型)人脸识别 [打印本页]

作者: 小姐姐zhousi 时间: 2022-9-21 08:18
标题: 146.人工智能——基于InsightFace(ONNX模型)人脸识别
在前一章中，讲过RetinaFace的人脸检测，详情参看：145.人工智能——RetinaFace（ONNX模型）的人脸检测。
本文主要体验一下InsightFace（ONNX模型）人脸识别。CosFace-r34模型，下载地址：https://bj.bcebos.com/paddlehub/fastdeploy/glint360k_cosface_r34.onnx。

模型	大小	精度 (AgeDB_30)
CosFace-r34	131MB	98.3

在前期的文章中，有讲过基于face_recognition人脸检测与比对，详情可以参看：9.实时证照相片与人脸验证比对。效果还是非常不错，是返回人脸128个特征向量，通过计算欧氏距离来判断人脸的相似度。缺点就是安装dlib库比较麻烦。
而本文InsightFace的人脸比对是通过余弦相似度来判断。整个过程：
先检测人脸，对人脸图像大小预处理，再进行预测，根据预测的结果，提取人脸特征向量，再根据特征向量进行余弦相似度比对。
实现代码

import fastdeploy as fdimport cv2import numpy as npimport facedet #人脸检测# 余弦相似度def cosine_similarity(a, b): a = np.array(a) b = np.array(b) mul_a = np.linalg.norm(a, ord=2) mul_b = np.linalg.norm(b, ord=2) mul_ab = np.dot(a, b) return mul_ab / (np.sqrt(mul_a) * np.sqrt(mul_b))#处理人脸数据大小112*112,影响预测结果def ResizeByLong(img,size=112): img0=(np.ones((size,size,3))*255).astype(np.uint8) h0,w0=img.shape[:2] if h0>w0: h=size w=w0/h0*size img=cv2.resize(img,[int(w),int(h)]) img0[0:h,(size-int(w))//2:int(w)+(size-int(w))//2]=img[:,:] else: w=size h=h0/w0*size img=cv2.resize(img,[int(w),int(h)]) img0[(size-int(h))//2:int(h)+(size-int(h))//2,0:int(w)]=img[:,:] return img0 model_file="faceidmodel/glint360k_cosface_r34.onnx"#加载模型model = fd.vision.faceid.CosFace(model_file, runtime_option=None)#检测人脸，返回人脸图像face0=ResizeByLong(facedet.getface("img/000.jpg")) #0和1同一人face1=ResizeByLong(facedet.getface("img/001.jpg"))face2=ResizeByLong(facedet.getface("img/002.jpg")) #0和2不同一人 face=np.hstack((face0,face1,face2))cv2.imshow("face",face)cv2.waitKey(0)cv2.destroyAllWindows()# 设置 l2 normalizemodel.l2_normalize = True# 预测图片检测结果result0 = model.predict(face0)result1 = model.predict(face1)result2 = model.predict(face2)# 计算余弦相似度#人脸识别模型最终提取的特征embedding，可以用来计算人脸之间的特征相似度embedding0 = result0.embeddingembedding1 = result1.embeddingembedding2 = result2.embeddingcosine01 = cosine_similarity(embedding0, embedding1)cosine02 = cosine_similarity(embedding0, embedding2)# 比对结果，可以设定一个阈值:0.6print("Cosine 01: ", cosine01)print("Cosine 02: ", cosine02)
[attach]788242[/attach]

原图1

[attach]788243[/attach]

原图2

[attach]788244[/attach]

原图3

[attach]788245[/attach]

获取到的人脸，并调整输入图像大小为112*112
#输出结果：余弦相似度比较Cosine 01: 0.8792329727846468 #face0与face1 比较大于0.6，是同一人Cosine 02: 0.3351910102289668 #face0与face2 比较小于0.6 不是同一人说明：模型预测前，对获取到的人脸图像大小做了112*112处理。这个直接影响到后面的特征向量的结果。这一点和face_recognition相比，做得不够。
关于FastDeploy根据视觉模型的任务类型，定义了不同的结构体。访问结构体的方式：
结构体变量.成员变量.
如人脸识别：fastdeploy.vision.FaceRecognitionResult

embedding(list of float): 成员变量，表示人脸识别模型最终提取的特征embedding，可以用来计算人脸之间的特征相似度。

获取result0的embedding的方式：embedding0 = result0.embedding

作者: 潮豫 时间: 2022-9-21 08:19
转发了

作者: AuToPros 时间: 2022-9-21 08:20
转发了

欢迎光临智客公社 (http://bbs.cnaiplus.com/)