• 可下载代码： 点击这里
• 代码一目了然：

  #include < opencv2/dnn.hpp>

  #include < opencv2/imgproc.hpp>

  #include < opencv2/highgui.hpp>

  #include < opencv2/objdetect.hpp>

  #include < iostream>

  使用命名空间 CV;

  使用命名空间 std;

  静态的

  void visualize（Mat& input， int frame， Mat& faces， double fps， int thickness = 2）

  {

  std：：string fpsString = cv：：format（“FPS ： %.2f”， （float）fps）;

  if（帧 >= 0）

  cout << “帧 ” << 帧 << “， ”;

  cout << “FPS： ” << fpsString << endl;

  for （int i = 0; i <面。行;i++）

  {

  打印结果

  cout << “Face ” << i

  << “，左上角坐标：（” <<面。at<float>（i， 0） << “， ” <<面。at<float>（i， 1） << “）， ”

  << “框宽度：”<<面。at<float>（i， 2） << “，箱高：” <<面。at<float>（i， 3） << “， ”

  << “score： ” << cv：：format（“%.2f”， faces.at<float>（i， 14））

  << endl;

  绘制边界框

  rectangle（input， Rect2i（int（faces.at<float>（i， 0））， int（faces.at<float>（i， 1））， int（faces.at<float>（i， 2））， int（faces.at<float>（i， 3）））， 标量（0， 255， 0）， 厚度）;

  绘制地标

  circle（input， Point2i（int（faces.at<float>（i， 4））， int（faces.at<float>（i， 5）））， 2， 标量（255， 0， 0）， 厚度）;

  circle（input， Point2i（int（faces.at<float>（i， 6））， int（faces.at<float>（i， 7）））， 2， 标量（0， 0， 255）， 厚度）;

  circle（input， Point2i（int（faces.at<float>（i， 8））， int（faces.at<float>（i， 9）））， 2， 标量（0， 255， 0）， 厚度）;

  circle（input， Point2i（int（faces.at<float>（i， 10））， int（faces.at<float>（i， 11）））， 2， 标量（255， 0， 255）， 厚度）;

  circle（input， Point2i（int（faces.at<float>（i， 12））， int（faces.at<float>（i， 13）））， 2， 标量（0， 255， 255）， 厚度）;

  }

  putText（input， fpsString， Point（0， 15）， FONT_HERSHEY_SIMPLEX， 0.5， Scalar（0， 255， 0）， 2）;

  }

  int main（int argc， char** argv）

  {

  CommandLineParser 解析器（argc， argv，

  “{帮助 h | |打印此消息}”

  “{image1 i1 | |输入 image1 的路径。省略通过VideoCapture进行检测}”

  “{image2 i2 | |输入图像的路径2。当给出 image1 和 image2 参数时，程序会尝试在两张图像上找到一张人脸并运行人脸识别算法}”

  “{视频 v |0 |输入视频路径}”

  “{scale sc |1.0 |用于调整输入视频帧大小的比例因子}”

  “{fd_model fd |face_detection_yunet_2021dec.onnx|模型的路径。下载 yunet.onnx 在 https://github.com/opencv/opencv_zoo/tree/master/models/face_detection_yunet}”

  “{fr_model fr |face_recognition_sface_2021dec.onnx |人脸识别模型的路径。在 https://github.com/opencv/opencv_zoo/tree/master/models/face_recognition_sface}下载模型”

  “{score_threshold |0.9 |过滤掉分数< score_threshold}”

  “{nms_threshold |0.3 |禁止 iou >= nms_threshold}“ 的边界框

  “{top_k |5000 |在 NMS 之前保留top_k边界框}”

  “{保存 |假 |设置为 true 以保存结果。使用相机时，此标志无效}”

  );

  if （parser.has（“帮助”))

  {

  解析器.printMessage（）;

  返回 0;

  }

  字符串 fd_modelPath = parser.get<String>（“fd_model”);

  字符串 fr_modelPath = parser.get<String>（“fr_model”);

  float scoreThreshold = 解析器.get<float>（“score_threshold”);

  浮点 nmsThreshold = parser.get<float>（“nms_threshold”);

  int topK = 解析器.get<int>（“top_k”);

  bool save = parser.get<bool>（“保存”);

  浮点比例 = parser.get<float>（“scale”);

  双cosine_similar_thresh = 0.363;

  双l2norm_similar_thresh = 1.128;

  初始化 FaceDetectorYN

  Ptr<FaceDetectorYN> detector = FaceDetectorYN：：create（fd_modelPath， “”， Size（320， 320）， scoreThreshold， nmsThreshold， topK）;

  滴答计 tm;

  如果输入是图像

  if （parser.has（“image1”))

  {

  字符串 input1 = parser.get<String>（“image1”);

  垫子 image1 = imread（samples：：findFile（input1））;

  如果 （image1.empty（））

  {

  std：：cerr << “无法读取图像：” << input1 << std：：endl;

  返回 2;

  }

  int imageWidth = int（image1.cols * 比例）;

  int imageHeight = int（image1.rows * 比例）;

  resize（image1， image1， Size（imageWidth， imageHeight））;

  tm。开始();

  在推理之前设置输入大小

  探测器->setInputSize（image1.size（））;

  垫面1;

  检测器->detect（image1， faces1）;

  如果（faces1.行 < 1）

  {

  std：：cerr << “在 ” << input1 << std：：endl;

  返回 1;

  }

  tm。停();

  在输入图像上绘制结果

  可视化（image1， -1， faces1， tm.获取FPS());

  如果 save 为 true，则保存结果

  if（保存）

  {

  cout << “保存结果.jpg...\n”;

  imwrite（“结果.jpg”， image1）;

  }

  可视化结果

  imshow（“图像1”， 图像1）;

  pollKey（）;处理 UI 事件以显示内容

  if （parser.has（“image2”))

  {

  字符串 input2 = parser.get<String>（“image2”);

  垫子 image2 = imread（samples：：findFile（input2））;

  如果 （image2.empty（））

  {

  std：：cerr << “无法读取 image2：” << input2 << std：：endl;

  返回 2;

  }

  tm。重置();

  tm。开始();

  探测器->setInputSize（image2.size（））;

  垫面2;

  检测器->检测（图像2，人脸2）;

  如果 （faces2.行 < 1）

  {

  std：：cerr << “在 ” << input2 << std：：endl;

  返回 1;

  }

  tm。停();

  visualize（image2， -1， faces2， tm.获取FPS());

  if（保存）

  {

  cout << “保存结果 2.jpg...\n”;

  imwrite（“结果2.jpg”， image2）;

  }

  imshow（“图像2”， 图像2）;

  pollKey（民意调查键）();

  初始化 FaceRecognizerSF

  Ptr<FaceRecognizerSF> faceRecognizer = FaceRecognizerSF：：create（fr_modelPath，"");

  通过检测到的第一张面孔对齐和裁剪面部图像。

  Mat aligned_face1，aligned_face2;

  faceRecognizer->alignCrop（image1， faces1.row（0）， aligned_face1）;

  faceRecognizer->alignCrop（image2， faces2.row（0）， aligned_face2）;

  使用给定aligned_face运行特征提取

  垫子特征1，特征2;

  faceRecognizer->feature（aligned_face1， feature1）;

  feature1 = feature1。克隆();

  faceRecognizer->feature（aligned_face2， feature2）;

  特征 2 = 特征 2。克隆();

  double cos_score = faceRecognizer->match（feature1， feature2， FaceRecognizerSF：:D isType：：FR_COSINE）;

  双L2_score = faceRecognizer->match（feature1， feature2， FaceRecognizerSF：:D isType：：FR_NORM_L2）;

  如果 （cos_score >= cosine_similar_thresh）

  {

  std：：cout << “他们具有相同的身份;”;

  }

  还

  {

  std：：cout << “他们有不同的身份;”;

  }

  std：：cout << “余弦相似度：”<< cos_score <<“，阈值：”<< cosine_similar_thresh <<”。（值越高表示相似度越高，最大值为 1.0）\n”;

  如果 （L2_score <= l2norm_similar_thresh）

  {

  std：：cout << “他们具有相同的身份;”;

  }

  还

  {

  std：：cout << “他们有不同的身份。”;

  }

  std：：cout << “ NormL2 距离：” << L2_score << “，阈值：” << l2norm_similar_thresh << ”。（值越低表示相似度越高，最小值为0.0）\n”;

  }

  cout << “按任意键退出...” << endl;

  waitKey（0）;

  }

  还

  {

  int frameWidth， frameHeight;

  VideoCapture 捕获;

  std：：string video = 解析器。get<string>（“视频”);

  if （video.size（） == 1 && isdigit（video[0]））

  捕获。open（parser.get<int>（“视频”));

  还

  捕获。open（samples：：findFileOrKeep（video））;保留 GStreamer 流水线

  if（捕获。is已打开())

  {

  frameWidth = int（capture.get（CAP_PROP_FRAME_WIDTH） * 比例);

  frameHeight = int（capture.get（CAP_PROP_FRAME_HEIGHT） * 缩放);

  cout << “Video ” << video

  << “： width=” << frameWidth

  << “， height=” << frameHeight

  << endl;

  }

  还

  {

  cout << “无法初始化视频捕获：”<<视频<<“\n”;

  返回 1;

  }

  detector->setInputSize（Size（frameWidth， frameHeight））;

  cout << “按'空格'保存帧，任何其他键退出......” << endl;

  int nFrame = 0;

  为 (;;)

  {

  获取框架

  垫子框架;

  if （！capture.读取（帧））

  {

  cerr << “抓不住框架！停止\n”;

  破;

  }

  resize（frame， frame， Size（frameWidth， frameHeight））;

  推理

  垫面;

  tm。开始();

  detector->detect（帧，人脸）;

  tm。停();

  垫子结果 = 帧。克隆();

  在输入图像上绘制结果

  visualize（result， nFrame， faces， tm.获取FPS());

  可视化结果

  imshow（“Live”， 结果）;

  int 键 = waitKey（1）;

  bool saveFrame = 保存;

  如果（键 ==' ')

  {

  saveFrame = 真;

  键 = 0;//处理

  }

  如果 （saveFrame）

  {

  std：：string frame_name = cv：：format（“frame_%05d.png”， nFrame）;

  std：：string result_name = cv：：format（“result_%05d.jpg”， nFrame）;

  cout << “保存 '” << frame_name << “' 和 '” << result_name << “' ...\n” ;

  imwrite（frame_name， 帧）;

  imwrite（result_name， 结果）;

  }

  ++n框架;

  if（密钥> 0）

  破;

  }

  cout << “已处理 ” << nFrame << “frames” << endl;

  }

  cout << “完成。” << endl;

  返回 0;

  }

初始化 FaceDetectorYN

Ptr<FaceDetectorYN> detector = FaceDetectorYN：：create（fd_modelPath， “”， Size（320， 320）， scoreThreshold， nmsThreshold， topK）;

在推理之前设置输入大小

探测器->setInputSize（image1.size（））;

垫面1;

检测器->detect（image1， faces1）;

如果 （faces1.rows < 1）

{

std：：cerr << “在 ” << input1 << std：：endl;

返回 1;

}

初始化 FaceRecognizerSF

Ptr<FaceRecognizerSF> faceRecognizer = FaceRecognizerSF：：create（fr_modelPath，"");

通过检测到的第一张面孔对齐和裁剪面部图像。

Mat aligned_face1，aligned_face2;

faceRecognizer->alignCrop（image1， faces1.row（0）， aligned_face1）;

faceRecognizer->alignCrop（image2， faces2.row（0）， aligned_face2）;

使用给定aligned_face运行特征提取

垫子特征1，特征2;

faceRecognizer->feature（aligned_face1， feature1）;

feature1 = feature1。克隆();

faceRecognizer->feature（aligned_face2， feature2）;

特征 2 = 特征 2。克隆();