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）
第二步： 下载后解压，我们发现压缩包内容如下： 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
第三步： 创建Visual Studio的C++工程（我用的是vs2012）： 这里我选择了控制台程序。 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. 第四步： 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） 第五步： 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。 第六步： 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”); }
第七步： 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。
