如何識別多個人臉

在開始之前，先解決一個疑問，這個SDK可以識別多個人臉嗎。答案當然是可以的。在上一章節中我們實現了識別單個人臉的功能。
如果要識別多個人臉，需要進行下面的設置。

定義人臉的識別數目范圍

   int nMaxFaceNum = 50;/*定義人臉識別的數目，有效范圍為1-50*/

修改人臉識別的程序。

在上一章節中， 我們的方法是只取到識別到的第一個人臉，因此我們只需要一個顯示人臉的地方就可以了。要識別多個人臉，首先就是修改視圖。

界面截圖

然后，修改程序為循環。

//識別每一幅圖像

for (int i = 0; i < faceRes.nFace; i++)
{
    MRECT rect = (MRECT)Marshal.PtrToStructure(faceRes.rcFace + Marshal.SizeOf(typeof(MRECT)) * i, typeof(MRECT));

   Image image = CutFace(bitmap, rect.left, rect.top, rect.right - rect.left, rect.bottom - rect.top);


   if (i == 0)
   {
    /*第一個識別到的人臉保存在原位置*/
       this.pictureBox2.Image = image;
        this.pictureBox2.Tag = faceImageName[i];
    }
   else
   {
        /*后面識別到的人臉按順序并排顯示在下面，使用臨時創建PictureBox控件的方式顯示圖片內容*/


       PictureBox tempPicture = new PictureBox();
       tempPicture.Width = 100;
       tempPicture.Height = 120;
       tempPicture.SizeMode = PictureBoxSizeMode.Zoom;
       tempPicture.Location = new System.Drawing.Point(10 + ((i-1) % 7) * 120, 10 + ((i-1) / 7) * 120);
       tempPicture.Image = image;
       tempPicture.Tag =faceImageName[i];
       this.panel1.Controls.Add(tempPicture);
   }

一步步實現人臉識別

先來看一下我們這節的效果

效果圖

本節我們主要講解如何根據識別到的人臉信息提取人臉數據特征，并在此基礎上講解一下如何做人臉識別

在人臉識別領域，首先是檢測是否有人臉，人臉的區域是哪里，然后對這個區域進行特征點提取，在提取結束后，告訴計算機，這個人臉是誰。

image

計算機把這些特征信息和人臉的名稱保存下來，就形成了人臉庫，在識別人臉時，計算機通過一定的算法，檢索庫中是否有匹配到的人臉結果，給出相似度數據。當人臉的相似度數據達到一定的數值時，就可以認為同一張人臉。

相似度通常是一個0-1的小數。一般來說，數值越大，表示兩個人越相近。

注：不同人臉引擎的人臉相似度不具有可比性，例如，我們從Face ++ 拿到的同一個人的人臉相似度可能會在0.8-0.9，虹軟的只能在0.6-0.8之間，這并不能說明Face ++ ,它們只是算法的標準不同，例如，虹軟在不同人臉0.1-0.2的時候，Face++達到了0.3-0.5
人臉檢測并建立人臉庫的過程如下

建立人臉庫

通過人臉檢測或者人臉跟蹤，獲取到人臉信息并識別人臉的過程如下：

從人臉庫中識別

本次教程我們以目錄結構作為人臉的存檔方式，每張人臉對應一張人臉標識和一個人臉特征。人臉標識和特征使用同一個文件名稱來關聯，例如人臉a.jpg的特征用a.dat來表示。

好，我們開始我們的課程

集成人臉識別SDK庫

我們本次使用到的虹軟的SDK包中，提供了人臉識別的庫，它的名字叫face_recongnition.dll，我們找到它的SDK文檔。
來建立各個結構體和API的C#映射。

首先是結構體

從本節開始，我們不再講解原始SDK文檔中的數據結構和C#數組結構如何映射的，也不再講解P/Invoke的知識，如果需要了解相關知識，請參考我們上篇文檔的相關內容。

AFR_FSDK_FaceInput

    public struct AFR_FSDK_FaceInput
    {
        public  MRECT rcFace;
        public int lOrient;
    }

這個結構體是FD識別的輸出結構體，我們在上一章節標記人臉時使用了此結構體。

AFR_FSDK_FaceModel

  public  struct AFR_FSDK_FaceModel
    {
     public IntPtr pbFeature;
     public int lFeatureSize;
    }

這個結構體是人臉模型數據，也就是我們說的人臉特征。人臉識別就基于這個結構。

其中pbFeature是人臉數據，虹軟當前版本的人臉數據為一個20K大小的二進制數組，在使用時，我們把它保存為byte[]數組。

AFR_FSDK_Version

   public struct AFR_FSDK_Version
    {
      
        public int lCodebase;
        public int lMajor;
        public int lMinor;
        public int lBuild;
        public int lFeatureLevel;
        public string Version;
        public string BuildDate;
        public string CopyRight;
    }

定義識別方法類

我們將SDK中的對應方法提取到C#類中，和上面的章節保持一致，我們稱之為AFRFunction。

   public class AFRFunction
    {
       /**
        *Init Engine 
        */
       [System.Runtime.InteropServices.DllImportAttribute("libarcsoft_fsdk_face_recognition.dll", EntryPoint = "AFR_FSDK_InitialEngine", CallingConvention = CallingConvention.Cdecl)]
       public static extern int AFR_FSDK_InitialEngine(string AppId, string SDKKey,  System.IntPtr pMem, int lMemSize, ref System.IntPtr phEngine);

        /**
        * 提取人臉特征值
        */
       [System.Runtime.InteropServices.DllImportAttribute("libarcsoft_fsdk_face_recognition.dll", EntryPoint = "AFR_FSDK_ExtractFRFeature", CallingConvention = CallingConvention.Cdecl)]
       public static extern int AFR_FSDK_ExtractFRFeature(System.IntPtr hEngine,  System.IntPtr pInputImage,  System.IntPtr pFaceRes, System.IntPtr pFaceModels);

        /*
        * 比較兩個人臉特征值之間的相似度
        **/
       [System.Runtime.InteropServices.DllImportAttribute("libarcsoft_fsdk_face_recognition.dll", EntryPoint = "AFR_FSDK_FacePairMatching", CallingConvention = CallingConvention.Cdecl)]
       public static extern int AFR_FSDK_FacePairMatching(System.IntPtr hEngine, ref System.IntPtr reffeature, ref System.IntPtr probefeature, ref float pfSimilScore);


        /**
        *銷毀引擎
        */
       [System.Runtime.InteropServices.DllImportAttribute("libarcsoft_fsdk_face_recognition.dll", EntryPoint = "AFR_FSDK_UninitialEngine", CallingConvention = CallingConvention.Cdecl)]
       public static extern int AFR_FSDK_UninitialEngine(System.IntPtr hEngine);


        /**
        *獲取人臉的版本號
        */

       [System.Runtime.InteropServices.DllImportAttribute("libarcsoft_fsdk_face_recognition.dll", EntryPoint = "AFR_FSDK_GetVersion", CallingConvention = CallingConvention.Cdecl)]
       public static extern System.IntPtr AFR_FSDK_GetVersion(System.IntPtr hEngine);

   
   }

開始之前的準備

定義人臉庫的位置

本次我們使用簡單的基于目錄存儲人臉庫

 private String FaceLibraryPath = "G:\\Test\\";

定義人臉識別引擎的變量

IntPtr detectEngine = IntPtr.Zero;
//新增人臉識別引擎的定義
IntPtr recognizeEngine = IntPtr.Zero;

在構造函數中我們對人臉識別引擎進行初始化

int detectSize = 40 * 1024 * 1024;
int nScale = 50;
int nMaxFaceNum = 50;
IntPtr pMem = Marshal.AllocHGlobal(detectSize);
IntPtr pMemRecongnize = Marshal.AllocHGlobal(detectSize);

注意：detectSize為人臉識別的內存大小，一般來說，你可以根據你的應用程序的規模來設置一個適當的數值，數值過小會報內存不足的ERROR。

int retCode2 = AFR.AFRFunction.AFR_FSDK_InitialEngine(appId, sdkFRKey, pMemRecongnize, detectSize, ref recognizeEngine);


 if (retCode2 != 0)
{
    MessageBox.Show("引擎FR初始化失敗:錯誤碼為:" + retCode2);
    this.Close();
}

這里需要注意FR Key，虹軟這次開源了1：1和1：N的SDK，不同的SDK，其對應的KEY是不一樣的。

提取人臉特征值

我們來提取人臉特征值。打開我們的checkAndMarkFace方法。

人臉特征值是一個二進制的byte數組，其內容對虹軟來說是屬于技術機密，里面保存了人臉的特征。這里的特征可以在人臉相似度比較時用到，人臉的特征包含了人臉的關鍵點信息?？上У氖牵畿涍@方面并沒有開源。同樣的，人臉的相似度比較算法也沒有開源。不過不開源也有不開源的好處，至少我們用起來不用擔心這里面的細節。

首先，我們定義一個變量數組，用于保存圖片名稱的數組。 這里我們簡單的對每個識別到的人臉，用GUID命名。

在我們上一節的，輸出識別到的人臉數據之前，我們增加一下我們的業務邏輯。找到下面的代碼

if (faceRes.nFace > 0)

我們在后面增加定義

//定義用到保存識別到的圖片的名稱的數組
List<string> faceImageName = new List<string>(faceRes.nFace);

for (int i = 0; i < faceRes.nFace; i++)
{
    faceImageName.Add(Guid.NewGuid().ToString());
}

在識別到的每個人臉以后，我們把識別到的人臉保存下來

Image image = CutFace(bitmap, rect.left, rect.top, rect.right - rect.left, rect.bottom - rect.top);

image.Save(FaceLibraryPath+faceImageName[i]+".jpg",ImageFormat.Jpeg);

如何進行人臉特征值的讀取

人臉特征值依賴于人臉識別的結果，其原理是利用識別到的人臉區域信息，在原圖中對人臉部分進行運算，輸出人臉的特征數據。
通過前面的定義，可以知道人臉特征提取函數的需要的參數信息如下

• recognizeEngine：人臉識別引擎
• offInputPtr:輸入的圖像信息，和FD的信息相同。同為ASVLOFFSCREEN結構體，我們可以直接使用上一步已經定義好的這個變量。
• faceInputPtr：人臉區域信息，包括人臉的角度信息，以及人臉的坐標范圍，對應的參數類型為MRECT，也就是在FD中識別到的人臉的區域坐標，
• 輸出參數為faceModel結構體。包括長度信息和人臉特征數組

我們來一步步解決。

定義faceInput結構體并指定它的引用互操作類型

AFR_FSDK_FaceInput faceinput = new AFR_FSDK_FaceInput();
faceinput.lOrient =(int)Marshal.PtrToStructure( faceRes.lfaceOrient,typeof(int));
  
MRECT rect = (MRECT)Marshal.PtrToStructure(faceRes.rcFace + Marshal.SizeOf(typeof(MRECT)) * i, typeof(MRECT));
faceinput.rcFace = rect;

IntPtr faceInputPtr = Marshal.AllocHGlobal(Marshal.SizeOf(faceinput));
                Marshal.StructureToPtr(faceinput, faceInputPtr, false);

定義faceModel變量用于保存識別到的特征值信息

AFR_FSDK_FaceModel faceModel = new AFR_FSDK_FaceModel();
IntPtr faceModelPtr = Marshal.AllocHGlobal(Marshal.SizeOf(faceModel));

調用FR引擎進行特征信息提取

   int ret = AFRFunction.AFR_FSDK_ExtractFRFeature(recognizeEngine, offInputPtr, faceInputPtr,
                        faceModelPtr);

如果ret=0，則提取成功，我們再調用Marshal的方法將對應的信息取出來

faceModel = (AFR_FSDK_FaceModel) Marshal.PtrToStructure(faceModelPtr, typeof (AFR_FSDK_FaceModel));
Marshal.FreeHGlobal(faceModelPtr);



byte[] featureContent = new byte[faceModel.lFeatureSize];
Marshal.Copy(faceModel.pbFeature, featureContent, 0, faceModel.lFeatureSize);

保存獲取到的結果，為了后面的匹配方便，和圖片命名保持一致

System.IO.File.WriteAllBytes(FaceLibraryPath+faceImageName[i]+".dat",featureContent);

通過圖像庫識別圖像中的特征

現在我們要做的是人臉識別功能呢，我們想要的功能是，打開一張照片，如果里面有人臉，那么我們就識別這個人臉是否已經在我們的人臉庫中出現過，如果已經出現 ，就顯示人臉的圖像編號。

依然打開項目，增加一個按鈕。識別人臉，并增加一個pictureBox用于保存匹配到的人臉的對應的人臉信息。雙擊剛才新加的按鈕進入事件處理代碼編輯窗口。

為了不增加重新提取特征臉的工作量，我們將上一步獲取到的特征臉重用。在上一步中，對識別到的人臉的第一個保存在了pictureBox中，并把相關的特征信息保存在對應命名的dat文件中。在保存時，使用

         this.pictureBox2.Tag = faceImageName[i];

保存圖像特征數據的文件名，因此在這里我們使用

string faceFeaturePath = pictureBox2.Tag as string;

獲取圖像文件名。

這里我們需要讀文件，讀取這個特征信息。

C# 讀取二進制文件和寫二進制文件都相當的方便，你可以使用C#的序列化操作把變量保為dat文件，然后使用反操作把文件重新讀取以初始化對象。這里使用的是簡單的二進制讀取的方法，當然你也可以嘗試序列化來完成這個操作。

byte[] sourceFeature = System.IO.File.ReadAllBytes(FaceLibraryPath + faceFeaturePath + ".dat");

接下來我們要使用人臉匹配的方法來進行匹配。這里使用的方法是AFR_FSDK_FacePairMatching
方法。再來看一下這個方法的定義

我們先來定義被比較的臉部信息。這里原來的參數名稱有點拗口，我們使用localFaceModel來定義本地的

AFR_FSDK_FaceModel localFaceModels = new AFR_FSDK_FaceModel();
IntPtr sourceFeaturePtr = Marshal.AllocHGlobal(sourceFeature.Length);
Marshal.Copy(sourceFeature, 0, sourceFeaturePtr, sourceFeature.Length);
localFaceModels.lFeatureSize = sourceFeature.Length;
localFaceModels.pbFeature = sourceFeaturePtr;

由于使用了文件保存人臉特征信息，因此我們的人臉遍歷算法就變得很簡單了。我們這里使用1:1的方法。

我們直接使用存儲的人臉信息來進行搜索，方法自然是先遍歷讀取所有特征數據,提取特征值并進行比較

     foreach (var b in System.IO.Directory.GetFiles(FaceLibraryPath,"*.dat"))
                {
                    byte[] libaryFeature = System.IO.File.ReadAllBytes(b);
                    float result=0f;

                    //TODO:構造AFR_FSDK_FaceModel，調用API，獲取比較結果

                    if (result>0.7&&result<0.99)
                    {
                        //  MessageBox.Show(b);

                        Image image = Image.FromFile(b.Replace(".dat",".jpg"));

                        this.pictureBox3.Image = new Bitmap(image);
                        MessageBox.Show(result.ToString());
                        break;

                    }
                }

我們來完成TODO的部分
首先我們定義庫Model和本地Model的結構體指針
定義庫的指針

IntPtr libaryFeaturePtr = Marshal.AllocHGlobal(libaryFeature.Length);

Marshal.Copy(libaryFeature, 0, libaryFeaturePtr, libaryFeature.Length);

AFR_FSDK_FaceModel libraryFaceModel = new AFR_FSDK_FaceModel();

libraryFaceModel.lFeatureSize = libaryFeature.Length;

libraryFaceModel.pbFeature = libaryFeaturePtr;
IntPtr firstPtr = Marshal.AllocHGlobal(Marshal.SizeOf(localFaceModels));

Marshal.StructureToPtr(localFaceModels, firstPtr, false);

定義本地Model的指針

IntPtr firstPtr = Marshal.AllocHGlobal(Marshal.SizeOf(localFaceModels));

Marshal.StructureToPtr(localFaceModels, firstPtr, false);

調用方法輸出匹配結果

int ret = AFRFunction.AFR_FSDK_FacePairMatching(recognizeEngine, firstPtr, secondPtr, ref result);

從這里可以看出，人臉識別并沒有特別高深的地方，其基礎理論依然是特征值匹配搜索的理論，
雖然這里面的難點是特征值的提取和匹配算法，但因為虹軟已經免費給我們提供了對應的SDK，我們只需要調用相關的接口就可能了。如果要提高人臉匹配的速度，除了可以聯系虹軟尋找技術支持以外，也可以利用我們在其它算法方面的積累來嘗試解決方案。

后記

本次我們學習了人臉特征的提取和人臉特征的保存，實際上，在業務系統中，人臉通常是保存在數據庫中的，并且在匹配的時候，為了性能考慮，更多的是把特征保存在內存中，20K的特征值如果在2GB的業務系統中，可以很輕松的保存10W+的特征信息。人臉檢測和識別是CPU密集型和內存密集型的應用，保持良好的計算機配置有助于提高識別的性能，離線SDK的良好擴展性也為我們提高系統的性能提供了可行性。

這兩章節都是從靜態圖像出發的人臉檢測和人臉識別，從下一章節開始，我們將先從視頻的人臉識別講起。然后結合攝像頭的實時圖像采集，我們來講解一下簡單的人臉識別門禁系統的實現。請繼續關注。