EEPW论坛

【树莓派 5 】人脸识别

本文介绍了树莓派 5 单板计算机结合 OpenCV 内置 YuNet 算法和 SFace 模型实现人脸识别的项目设计，包括环境部署、预训练模型获取、关键代码、板端推理、效果演示等流程。

项目介绍

• 准备工作：硬件连接、OpenCV 安装、所需软件包和库安装等；

• 人脸识别：模型获取、训练图片、流程图、代码、人脸识别的板端推理等；

准备工作

包括硬件连接、虚拟环境创建、OpenCV 安装、软件包和库安装等。

硬件连接

• 将装有 Raspberry Pi OS 系统的 Micro-SD 卡置入目标插槽；

• 使用 Mini-HDMI 数据线连接显示屏（也可使用 VNC 或 SSH 远程登录）；

• 使用 USB 接口连接鼠标键盘；

• 使用 LAN 接口连接互联网（或使用 WiFi 连接无线网络）；

OpenCV 安装

OpenCV 是一个开源的计算机视觉库，广泛应用于图像处理、视频分析和机器学习等领域。

为了避免影响系统 Python，采用虚拟环境的方案。

• 创建并激活虚拟环境；

 mkdir ~/cv && cd ~/cv    # 创建 cv 文件夹，便于管理
 python3 -m venv venv     # 创建虚拟环境 venv
 source venv/bin/activate # 激活虚拟环境 venv

• 安装 numpy 和 opencv ；

 pip install -U pip numpy                          # 安装 numpy
 pip install opencv-python opencv-contrib-python   # opencv 主模块及 contrib

• 验证安装；

 python3 -c "import cv2,sys,numpy;print('OpenCV:',cv2.__version__,'NumPy:',numpy.__version__)"

• 输出版本号；

详见：OpenCV .

人脸识别

OpenCV 作为计算机视觉领域的核心库，其 Python 接口提供了高效的人脸检测与识别能力。

OpenCV 注册并训练目标人脸，使用 YuNet 模型检测人脸，之后结合 sface 模型识别人脸。

详见：opencv_zoo/models/face_recognition_sface · GitHub .

模型

下载所需模型文件；

 wget https://github.com/opencv/face_detection_yunet.onnx
 wget https://github.com/opencv/face_recognition_sface.onnx

将文件存放在 ./model 路径

训练图片

• 将目标人脸图片裁剪至合适大小；

• 文件名为对应的姓名；

• 置于 ./face 文件夹。

文件目录

 ~/AI_Vision/faceRecognition $ tree
 .
 ├── face
 │   ├── Arnold.jpg
 │   ├── Edward.jpg
 │   └── Robert.jpg
 ├── fr_onnx.py
 ├── img
 │   ├── friends.jpg
 │   └── test1.jpg
 └── model
     ├── face_detection.onnx
     └── face_recognition.onnx

将目标识别图片置于 ./img 文件夹。

流程图

代码

终端执行 touch fr.py 新建程序文件，并添加如下代码

 #!/usr/bin/env python3
 import cv2, argparse, os
 import numpy as np
 from pathlib import Path
 
 
 # -------------------- Face Recognition -------------------
 def recognize_faces(img_path: str,
                     face_dir: str = "./face",
                     model_path: str = "./model/face_detection_yunet_2023mar.onnx",
                     rec_model: str = "./model/face_recognition_sface_2021dec.onnx") -> None:
     img = cv2.imread(img_path)
     if img is None:
         raise FileNotFoundError(img_path)
     h, w = img.shape[:2]
 
     # 检测器
     detector = cv2.FaceDetectorYN_create(
         model=model_path, config="", input_size=(w, h),
         score_threshold=0.8, nms_threshold=0.4, top_k=5000)
     detector.setInputSize((w, h))
     faces = detector.detect(img)[1]
     if faces is None:
         print("未检测到人脸")
         return
 
     recognizer = cv2.FaceRecognizerSF_create(rec_model, "")
 
     regist = {} if args.retrain else load_registry()  # name -> feature
     if args.retrain or not regist:
         print(">>> 重新提取注册照特征 <<<")
         regist = {}
         face_files = list(Path(face_dir).glob("*.*"))
         n_total = len(face_files)
         for idx, fp in enumerate(face_files, 1):
             name = fp.stem
             print(f"[Register] {idx:3d}/{n_total}  {name}", end="\r")
             reg_img = cv2.imread(str(fp))
             if reg_img is None:
                 continue
             rh, rw = reg_img.shape[:2]
             detector.setInputSize((rw, rh))
     else:
         print(f">>> 已加载缓存  {len(regist)} 张注册照 <<<")
     detector.setInputSize((w, h))
 
     if not regist:
         print("注册库为空")
         return
 
     # 逐一比对
     for face in faces:
         aligned = recognizer.alignCrop(img, face)
         feat = recognizer.feature(aligned)
         best_score, best_name = -1, "Unknown"
         for name, reg_feat in regist.items():
             score = recognizer.match(feat, reg_feat, cv2.FaceRecognizerSF_FR_COSINE)
             if score > best_score:
                 best_score, best_name = score, name
         # 画框
         x, y, w_box, h_box = map(int, face[:4])
 
         SIM_TH = 0.3
         if best_score < SIM_TH:
             best_name = "Unknown"
 
         print(f"[{best_name}]  score={best_score:.3f}  box=({x},{y},{w_box},{h_box})")
         color = (0, 255, 0) if best_name != "Unknown" else (0, 0, 255) # BGR
         draw_rect_alpha(img, (x, y), (x + w_box, y + h_box), color, alpha=0.2)
         cv2.rectangle(img, (x, y), (x + w_box, y + h_box), color, 2)
 
         label = f"{best_name}:{best_score:.2f}"
         font_scale = 0.8
         (t_w, t_h), _ = cv2.getTextSize(label, cv2.FONT_HERSHEY_SIMPLEX, font_scale, 1)
         draw_rect_alpha(img, (x, y - t_h - 4), (x + t_w, y), color, alpha=0.8)
 
     cv2.namedWindow("Face Recognition", cv2.WINDOW_NORMAL)
     cv2.imshow("Face Recognition", img)
     cv2.waitKey(0)
     cv2.destroyAllWindows()
 
 # ---------- 命令行入口 ----------
 if __name__ == "__main__":
     parser = argparse.ArgumentParser()
     parser.add_argument("-i", "--image", default="./img/test.jpg", help="目标图片路径")
     args = parser.parse_args()
 
     if args.mode == "detect":
         detect_faces_yunet(args.image)
     else:
         recognize_faces(args.image)

保存代码。

效果

• 终端执行 python fr.py -i ./img/friends.jpg 指令，对目标图片进行人脸识别；

• 终端打印识别到的人脸名称、置信度、坐标等信息；

• 弹窗显示识别结果

• 更多测试效果

对于未注册人脸，则使用红色标注；

对于已注册人脸，则显示绿色姓名标签；

识别准确度和照片清晰度、人脸角度有关；

此外，可根据实际需求调整识别阈值，以获得最佳体验。

总结

本文介绍了树莓派 5 单板计算机结合 OpenCV 内置 YuNet 算法和 SFace 模型实现人脸识别的项目设计，包括环境部署、预训练模型获取、关键代码、板端推理、效果演示等流程，为相关产品在边缘 AI 领域的快速开发和应用设计提供了参考。