🍉 前情提要
前面通过PaddleHub的人脸检测模型
pyramidbox_lite_mobile，实现了一个在浏览器中上传人脸，进行人脸检测的小应用。这一节，我们将实现的功能是任意上传两张人脸图片，比较他们是否为同一人。
🌷 效果演示
🥝 实现过程
主要工具：Flask，Insightface
本来想继续使用PaddleHub的，但苦于没有找到合适的开箱即用的模型，于是我改用了Insightface。insightface是一个比较有名的人脸识别开源库，可以直接在Python中使用pip进行安装，我找到的文档是英文的，因此上手得有些吃力（英语不好）。
insightface的github地址：https://github.com/deepinsight/insightface/tree/master/model_zoo
本次的内容大致如下：
将insightface的人脸识别功能包装为一个Web服务
后端从浏览器表单获取两张人脸图片，转发给人脸识别，得到人脸标注框和特征向量
通过特征向量的余弦相似度实现人脸比对（判断两张脸是否属于同一人）
画人脸标注框
在前端显示结果
补充：其实可以不用将insightface包装成Web服务，只用封装成一个函数就行。但是我的Flask和insightface安装在不同的python虚拟环境中，因此就以API的形式进行通信了。
目录结构：
- templates - compare.html - app.py - insightface_api.py - foms.py - utils.py
其中，utils.py封装了一些小脚本。
1. utils.py
我选择了以base64编码的格式，在API间传递数据（图像、特征向量、标注框等）。数据需要多次在不同格式间转换，为此我将一些转换过程封装成了函数的形式放在一起。嗯······还包含了几个其它功能的小函数。
这样功能实现的代码看起来逻辑会清晰一些。
import base64 import numpy as np import cv2 # 图片文件content转cv2，并缩放到指定尺寸 def content_to_cv2(contents: list, size: tuple): ''' content -> np -> cv2 -> cv2<target_size>''' imgs_np = [np.asarray(bytearray(content), dtype=np.uint8) for content in contents] imgs_cv2 = [cv2.imdecode(img_np, cv2.IMREAD_COLOR) for img_np in imgs_np] imgs_cv2 = [cv2.resize(img_cv2, size, interpolation=cv2.INTER_LINEAR) for img_cv2 in imgs_cv2] return imgs_cv2 def base64_to_cv2(img: str): # 注：仅适合图像，不适合其它numpy数组，例如bboxs(人脸标注框)的数据 # base64 -> 二进制 -> ndarray -> cv2 # 解码为二进制数据 img_codes = base64.b64decode(img) img_np = np.frombuffer(img_codes, np.uint8) img_cv2 = cv2.imdecode(img_np, cv2.IMREAD_COLOR) return img_cv2 def cv2_to_base64(image): data = cv2.imencode('.jpg', image)[1] return base64.b64encode(data.tostring()).decode('utf8') def np_to_base64(array): return base64.b64encode(array.tostring()).decode('utf8') def base64_to_np(arr_b64): return np.frombuffer(base64.b64decode(arr_b64), np.float32) # 显示cv2格式的图像 def cv2_show(img_cv2): cv2.imshow('img', img_cv2) cv2.waitKey(0) cv2.destroyAllWindows() # 画人脸标注框 def cv2_with_rectangle(img_cv2, bboxs: list): '''return --> 画好矩形标注框的图像''' bboxs = [bbox.astype('int32') for bbox in bboxs] for bbox in bboxs: cv2.rectangle( img_cv2, (bbox[0], bbox[1]), (bbox[2], bbox[3]), (255, 0, 0), # 蓝色 thickness=2) return img_cv2 # 计算特征向量的余弦相似度 def compare_face(emb1: np.ndarray, emb2: np.ndarray, threshold=0.6): ''' @return -> (<numpy.bool>, <numpy.float32>) - bool: 是否为同一张人脸 - float: 余弦相似度[-1, 1]，值越大越相似 \n @params - threshold: 判断两张人脸为同一张的余弦相似度阈值 ''' # return --> 余弦相似度[-1, 1]，值越大，越相似 sim = np.dot(emb1, emb2) / (np.linalg.norm(emb1) * np.linalg.norm(emb2)) print(type(sim)) return sim > threshold, sim
2. compare.html
这里较为简陋地实现了浏览器中的显示效果。
<h1>人脸比一比</h1> <!-- 上传图像的表单 --> <form action="" method="post" class="mt-4" enctype="multipart/form-data"> <!-- csrf这一句好像可以删掉 --> {{ form.csrf_token }} <li>{{ form.face_img() }}</li> <li>{{ form.face_img2() }}</li> <li><input type="submit" value="Submit"></li> </form> <!-- 显示检测结果 --> {% for img_base64 in imgs_base64 %} <img src="data:image/jpeg;base64, {{ img_base64 }}" width="250" height="250"> {% endfor %} {% if imgs_base64 %} <p>是否为同一个人: <b>{{ is_like }}</b></p> <p>相似度[-1, 1]: <b>{{ how_like }}</b></p> {% endif %} <!-- 显示错误信息 --> {% if form.face_img.errors %} <div class="alert alert-danger"> {% for error in form.face_img.errors %} {{ error }} {% endfor %} </div> {% endif %}
3. forms.py
表单Face2Form将从浏览器获取两张人脸图片，以对比他们是否为同一人。
你可能很奇怪我为什么要使Face2Form类继承ImageForm，嗯······因为ImageForm是我上一节人脸检测时用过的，这样我之前的人脸检测就可以继续使用它。
from flask_wtf import FlaskForm from flask_wtf.file import FileAllowed, FileRequired, FileSize, FileField class ImageForm(FlaskForm): face_img = FileField("face_img", validators=[ FileRequired(message="不能为空"), FileAllowed(['jpg', 'png'], message="仅支持jpg/png格式"), FileSize(max_size=2048000, message="图片不能大于2Mb") ], description="图片不能大于2Mb，仅支持jpg/png格式" ) # 两张人脸图片 --> 用于比较人脸是否相同 class Face2Form(ImageForm): face_img2 = FileField("face_img", validators=[ FileRequired(message="不能为空"), FileAllowed(['jpg', 'png'], message="仅支持jpg/png格式"), FileSize(max_size=2048000, message="图片不能大于2Mb") ], description="图片不能大于2Mb，仅支持jpg/png格式" )
4. insightface_api.py
需要先安装insightface的python库：
pip install -U insightfae
在运行代码时可以自动下载的模型是buffalo_l，如果需要使用其它模型，需要另外手动下载模型文件，并解压到~/.insightface/models/目录下。我选择的是buffalo_sc。因为相比前者有326MB大小，buffalo_sc仅有16MB，更加轻量级。
模型手动下载地址：https://github.com/deepinsight/insightface/tree/master/python-package
这个API接收一张base64编码格式的图片数据，并返回以json格式为数据体的响应。返回值的结构如下：
{ 'embeddings': [<embedding1>, <embedding2>, ...], 'bboxs': [<bbox1>, <bbox2>] }
代码：
# 基本完成 from flask import Flask, jsonify, request from insightface.app import FaceAnalysis from insightface.data import get_image as ins_get_image import cv2 import numpy as np import base64 from utils import base64_to_cv2, np_to_base64 app = Flask(__name__) face_analysis = FaceAnalysis(providers=['CUDAExecutionProvider', 'CPUExecutionProvider'], name='buffalo_sc') face_analysis.prepare(ctx_id=0, det_size=(640, 640)) @app.route('/detect', methods=['POST']) def detect_faces(): img_base64 = request.data img_cv2 = base64_to_cv2(img_base64) faces = face_analysis.get(img_cv2) embeddings = [np_to_base64(face['embedding']) for face in faces] bboxs = [np_to_base64(face['bbox']) for face in faces] # [x1, y1, x2, y2]左上角和右下角的坐标 return jsonify({"embeddings": embeddings, "bboxs": bboxs}) if __name__ == '__main__': app.run(port=6000, debug=True)
5. app.py
我使用了较多的列表推导式（不久前学会的），可能导致代码的可读性较差，我针对其中的一部分，大致解释一下
rs = [requests.post(url=url, headers=headers, data=img_base64) for img_base64 in imgs_base64] rs_json = [r.json() for r in rs] bboxs = [r_json['bboxs'] for r_json in rs_json] bboxs = [[base64_to_np(bbox) for bbox in bs] for bs in bboxs]
imgs_base64是两张图片的数据，这里其实就是前面包装的人脸识别的API发起了两次请求，每次都识别一张图片并得到一个响应对象，将这两个响应放入了一个列表中，即rs。故rs的结构如下：
[<Response1>, <Response2>]
r.json()用于获取响应对象中的数据，得到列表rs_json，列表中的每个元素对于一张图片的识别结果：
[<r_json1>, <r_json2>]
然后将每张图片中的标注框取出就得到bboxs，其中每个字符串是一个人脸的标注框数据编码成base64后的结果，由于一张图片中可以有多个人脸，所以bboxs的每个元素（指内层列表）中可能有多个字符串。
[[str1_1, str1_2, ...], [str2_1, str2_2, ...]]
然后将字符串解码为numpy的数组，得到解码后的bboxs，大致结构如下
[[[x1, y1, x2, y2], [x1, y1, x2, y2],...] [[x1, y1, x2, y2], [x1, y1, x2, y2],...]
代码：
from flask import Flask, render_template, request import requests from forms import Face2Form import time from utils import cv2_to_base64, base64_to_np from utils import compare_face, cv2_with_rectangle, content_to_cv2 app = Flask(__name__) app.config['SECRET_KEY'] = 'your_secret_key_here' # 2. 比较两张人脸 @app.route('/compare', methods=['GET', 'POST']) def compare(): form = Face2Form() if form.validate_on_submit(): # 1. 从前端获取人脸图片文件 file1 = form.face_img.data file2 = form.face_img2.data files = [file1, file2] contents = [file.read() for file in files] # 2. 图片文件转cv2，并缩放到指定尺寸 imgs_cv2 = content_to_cv2(contents, (300, 250)) # 3. cv2转base64编码的字符串 --> 传给模型 imgs_base64 = [cv2_to_base64(img_cv2) for img_cv2 in imgs_cv2] # 4. 载入模型 --> 获得特征向量 + 人脸标注框 headers = {"Content-type": "application/json"} url = "http://127.0.0.1:6000/detect" rs = [requests.post(url=url, headers=headers, data=img_base64) for img_base64 in imgs_base64] rs_json = [r.json() for r in rs] embeddings = [r_json['embeddings'] for r_json in rs_json] embeddings = [[base64_to_np(emb) for emb in embs] for embs in embeddings] bboxs = [r_json['bboxs'] for r_json in rs_json] bboxs = [[base64_to_np(bbox) for bbox in bs] for bs in bboxs] # 5. 比较两张图片中，各自第一张人脸的特征向量 embs = [embeddings[i][0] for i in range(len(embeddings))] is_like, how_like = compare_face(embs[0], embs[1], threshold=0.5) # 6. 框出检测到的人脸(第一张) imgs_cv2 = [cv2_with_rectangle(imgs_cv2[i], bboxs[i]) for i in range(len(imgs_cv2))] imgs_base64 = [cv2_to_base64(img_cv2) for img_cv2 in imgs_cv2] # 7. 返回比较结果 return render_template( 'compare.html', form=form, imgs_base64=imgs_base64, is_like=is_like, how_like=how_like) return render_template('compare.html', form=form) # --> 启动app if __name__ == '__main__': app.run(debug=True, port=5000)
启动应用
注意，app.py需要和insightface_api.py同时运行，才能正常工作。
python insightface_api.py python app.py
🍅 记录
1. Bugs
1.1 cv2.imshow()报错
详细信息：
Traceback (most recent call last): File "d:\code_all\code_python\Web开发基础\face_verify\compare.py", line 18, in <module> cv2_show(img) File "d:\code_all\code_python\Web开发基础\face_verify\compare.py", line 10, in cv2_show cv2.imshow('img', img_cv2) cv2.error: OpenCV(4.7.0) D:\a\opencv-python\opencv-python\opencv\modules\highgui\src\window.cpp:1272: error: (-2:Unspecified error) The function is not implemented. Rebuild the library with Windows, GTK+ 2.x or Cocoa support. If you are on Ubuntu or Debian, install libgtk2.0-dev and pkg-config, then re-run cmake or configure script in function 'cvShowImage'
大致是说：这个错误提示表明 OpenCV 的窗口相关功能没有实现，需要重新编译库并添加相应的支持。解决方案：重装opencv库。
1.2 insightface人脸检测标注框错乱(💢)
如下图（左为PaddleHub的人脸检测效果，右为insightface）
我在insightface的服务端使用cv2展示的图像是正常的，并没有发生失真。按理insightface作为一个之名的开源人脸识别库不至于这么糟糕，那还是我的问题咯。
解决：过不其然，是因为画矩形人脸标注框的时候，有个下标打错了（本来顺序是[0, 1, 2, 3]，写成了[0, 1, 2, 2]）。
2. 杂记
1、关于base64转numpy
在base64转numpy数组时，要注意元素的类型，之前是float32，解码成数组时就要写float32，否则你可能连元素的数量都对不上，比如你使用了uint8（常用于图像）时。且经历了np --> base64 --> np的过程，多维的numpy数组将被展平。因此，解码之后使用reshape成原来的形状，（在app间，你也可以把shape作为一条数据传过来）。
2、关于图片纵横比与识别效果
前面的代码中是直接将输入的图片变换为指定的尺寸，例如**(250, 250)**，但如果原来的图片并不是正方形，这样的尺寸变换就会导致失真，即图片被拉伸或压扁，导致有时图片中的人脸无法被识别。
其实可以写一个保持纵横比的缩放。
🌾 小结
本次成功在浏览器中实现人脸比对的功能，对Flask框架的了解还是比较浅，有时想要实现某个任务但是不知道要怎么办，不怎么会查找文档和相关的资料。例如，很疑惑jsonify()到底会给对方返回个啥，对方又要如何去取出其中的数据。
嗯······就感觉接触和使用不熟的东西的能力，有待提升。
