Face-Recognition-and-Liveness-Detection-Based-on-Infrared-Image-and-Depth-Image

准备:

1、Ubuntu C++ 编译dlib库

https://blog.csdn.net/ffcjjhv/article/details/84660869

2、数据+模型下载

https://pan.baidu.com/s/1jIoW6BSa5nkGWNipL7sxVQ 其中包括：

• candidate-face.zip（人脸库：包含29个正面人脸红外图）
• allface.zip（测试人脸集：包括29个人，每人13种脸部姿态下的红外图与深度图）
• shape_predictor_68_face_landmarks.dat（人脸68关键点检测器）
• dlib_face_recognition_resnet_model_v1.dat（人脸识别模型）

3、代码分析:

主要包含3个函数：

/* 函数声明 */
/* 人脸库训练 */
int candidates_train(const char *facesFile,std::vector<matrix<float,0,1>>&candidates_descriptors,std::vector<string>&candidates);

运行candidates_train，遍历人脸库candidate-face文件夹，将候选人名单存入candidates，将候选人人脸特征存入candidates_descriptors。

/* 输出人脸位置 返回识别结果 */
string face_location(const char *imgFile,std::vector<int>&locates, std::vector<matrix<float,0,1>>&candidates_descriptors,std::vector<string>&candidates);

运行face_location，得到要测试图片的人脸特征，计算与每个候选人人脸特征的欧式距离，得到距离最小值的编号，从而在candidates中得到识别结果。在函数运行过程中，将人脸位置信息传入locates，进行活体检测。

/* 判断是否为活体 */
bool liveness_detection(const char *DeepFile,std::vector<int>&locates); 

运行liveness_detection，利用深度图与人脸位置信息进行活体检测，主要利用了RANSAC算法。

4、运行：

将CMakeLists.txt第13行修改为自己dlib的cmake路径

mkdir build && cd build
cmake ..
make -j4

运行结果：

补充： python版的看这里 https://blog.csdn.net/ffcjjhv/article/details/84637986

python版的在allface文件夹共375张图片上的识别精度为99.469%，出错的两张是allleft姿态，侧转角度很大。模型算法和这篇c++版是一样的，只是语言不一样。可以看出识别效果还是很好的。 this_is_who.py在test-face文件夹中的批量测试结果：