目录

1.搭建insightface需要的环境

2.下载insightface工程

3.代码工程文件讲解

        3.1 python-package

        3.2 进行测试

        3.3 examples

4. 人脸识别

5.代码理解：

---

1.搭建insightface需要的环境

        埋个坑，后续再写，笔者在安装过程中遇到了一些问题。

2.下载insightface工程

        直接打开github搜索insightface即可找到,或者点击下面的连接直接跳转。

        deepinsight/insightface: State-of-the-art 2D and 3D Face Analysis Project (github.com)

     

3.代码工程文件讲解

        从github上下载完成功，使用pycharm 打开，目录如下，笔者认为最终要的是在使用红框框处的两个文件夹，我们先讲解python-package。

        3.1 python-package

        我们首先要在pycharm 中的终端执行一下  python-package中的setup.py这个文件

        具体操作如下，先跳转到python-package目录下，

        然后执行： python setup.py build_ext -i

        如下图所示执行成功。

        其实笔者在这一部分是有疑惑的，这个setup.py文件的作用是什么？笔者不太懂，如果有大佬明白，希望可以指教一下。

        3.2 进行测试

        按照官方介绍，我们使用示例代码进行检测，先在python-package目录下创建 test.py文件（一定要在python-package目录下）

然后将下列代码输入，然后运行就可以得到检测图片

import cv2
import numpy as np
import insightface
from insightface.app import FaceAnalysis
from insightface.data import get_image as ins_get_image

app = FaceAnalysis(allowed_modules=['detection'],providers=['CUDAExecutionProvider', 'CPUExecutionProvider'],download=False)
app.prepare(ctx_id=0, det_size=(640, 640))
img = ins_get_image('t1')  #不用带后缀，图片放到./insightface/python-package/insightface/data/images
faces = app.get(img)
print("faces::::", faces)
print("len:", len(faces))
rimg = app.draw_on(img, faces)
cv2.imwrite("./ldh_out put.jpg", rimg)
cv2.imshow("frame", rimg)
if cv2.waitKey(0) & 0xFF == ord('Q'):
    cv2.destroyAllWindows()

        第一次运行会自动下载模型，如果网速十分拉胯的话，可以选择自己去github上下载，然后把模型解压放在下方图片中红色框框中的地址。

我也把模型下载链接放在这了：buffalo_l.zip - Google 云端硬盘

        下载的模型文件，测试的使用除det_10g.onnx必须使用，其他四个模型文件根据自己所需使用。  此外github上此项目还拥有丰富的模型文件，根据自己所需下载使用（目前我还没太搞懂，如果有大佬可以，可以写篇博客介绍一下）

下面是检测后的图片

        至此项目就算是跑通了。

        3.3 examples

        exampes文件夹中也给大家提供了一些事例，大家可以自行去理解，运行，run一下。注意将这些文件放在pythoh-package目录下运行。

4. 人脸识别

        目前这一部分我还没有完全做完，先讲一下我的思路，以及现在做的一些工作。

前面进行的只是人脸检测，可以检测到图片中的人脸，并不能检测到图片中的人脸是谁。

那么思路就是，先建立一个人脸数据库，然后检测出人脸数据库中每个人的人脸特征数据（接下来我打算使用embedding 特征），存储在一个文件中，当我们需要检测人脸时，我们先将存储人脸数据特征G的文件读入内存，然后使用模型检测出需要检测的人脸的人脸特征T，然后将T特征与G特征使用一定方法对比（欧氏距离，余弦距离等），选出与之最相似的人脸。

        下列是我初始写的计算相似度的代码

import argparse  # 导入参数解析模块
import cv2  # 导入OpenCV模块
import sys  # 导入sys模块
import numpy as np  # 导入NumPy模块
import insightface  # 导入insightface模块
from insightface.app import FaceAnalysis  # 从insightface.app中导入FaceAnalysis类
from insightface.data import get_image as ins_get_image  # 从insightface.data中导入get_image函数
import time
assert insightface.__version__>='0.3'  # 断言版本不低于0.3

parser = argparse.ArgumentParser(description='insightface app test')  # 创建参数解析器，设置描述为'insightface app test'
# 通用设置
parser.add_argument('--ctx', default=0, type=int, help='ctx id, <0 means using cpu')  # 添加参数'--ctx'，默认值为0，类型为整数，帮助信息为'ctx id, <0 means using cpu'
parser.add_argument('--det-size', default=640, type=int, help='detection size')  # 添加参数'--det-size'，默认值为640，类型为整数，帮助信息为'detection size'
args = parser.parse_args()  # 解析参数

app = FaceAnalysis()  # 创建FaceAnalysis实例
app.prepare(ctx_id=args.ctx, det_size=(args.det_size,args.det_size))  # 准备分析器，设置ctx_id和det_size
t= time.time()
img = ins_get_image('t1')  # 获取图像't1'
# t= time.time()
faces = app.get(img)  # 识别图像中的人脸
e = time.time()
print("识别人脸：", e-t)
# assert len(faces)==6  # 断言人脸数量为6
rimg = app.draw_on(img, faces)  # 在图像上绘制检测到的人脸
cv2.imwrite("./t1_output.jpg", rimg)  # 将结果图像保存为"t1_output.jpg"

# 然后打印两两人脸之间的相似度
feats = []  # 创建空列表feats
test = []
for face in faces:  # 遍历每个人脸
    feats.append(face.normed_embedding)  # 将人脸的嵌入特征加入feats列表
test.append(faces[0].normed_embedding)
test = np.array(test, dtype=np.float32)
feats = np.array(feats, dtype=np.float32)  # 将feats转换为NumPy数组，数据类型为np.float32
a = time.time()
sims = np.dot(feats, feats.T)  # 计算feats和其转置之间的点积，得到相似度矩阵
b = time.time()
print(sims)  # 输出相似度矩阵
print("用时1：", b-a)

# 使用landmark_2d_106 计算相似度
land = []
for face in faces:
    land.append(face.landmark_2d_106)
land = np.array(land, dtype=np.float32)  # 将feats转换为NumPy数组，数据类型为np.float32
def euclidean_distance(landmarks1, landmarks2):
    # 计算两组特征点之间的距离
    distances = np.sqrt(np.sum((landmarks1 - landmarks2)**2, axis=1))
    # 返回平均距离作为匹配度
    return np.mean(distances)
dist_matrix = np.zeros((len(land), len(land)))
# 计算欧氏距禮以进行人脸比对
c = time.time()
for i in range(len(land)):
    for j in range(len(land)):
        dist_matrix[i, j] = euclidean_distance(land[i], land[j])
print("The distance matrix between the faces is:", dist_matrix)
d = time.time()
print("用时2：", d-c)

        相似度矩阵：

5.代码理解：

        我们以test.py代码为例

        前几行都是导包，直接到第七行代码：

app = FaceAnalysis(allowed_modules=['detection'],providers=['CUDAExecutionProvider', 'CPUExecutionProvider'],download=False)

        我们先不纠结这里面参数啥的，这行代码创建了一个实例，然后最大的作用就是加载读入了本地的那些模型文件。加载主要过程如下图我画红框的部分。大家可以自己debug理解一下。

        第八行代码就是设置了一些参数

app.prepare(ctx_id=0, det_size=(640, 640))

       第九行代码就是获取要检测的图片

img = ins_get_image('t1')  #不用带后缀，图片放到./insightface/python-package/insightface/data/images

        第十行就是进行检测了

faces = app.get(img)

        过程大概将就是先使用下面的人脸检测模型把人脸都检测出来。

        接着使用剩余的模型检测各种人脸特征。

        检测到了六张人脸

        一张人脸包含如下数据

        这里并没有人脸特征数据，因为第七行代码中我们设置了参数：

        allowed_modules=['detection']，删除后就可以检测人脸特征

        创作不易，求点赞，求关注，求收藏。水平有限，如有误解之处，求指正。