• 操作系统：ubuntu22.04
• OpenCV版本：OpenCV4.9
• IDE:Visual Studio Code
• 编程语言：C++11

算法描述

cv::FaceDetectorYN 是 OpenCV 中用于人脸检测的一个类，它基于深度学习模型实现。这个类是 OpenCV DNN（Deep Neural Network module）模块的一部分，利用预先训练好的深度神经网络模型来执行高效的人脸检测任务。

主要特性

• 高效的检测：FaceDetectorYN 使用了 Yunet 模型，这是一个轻量级且高效的卷积神经网络（CNN），专门设计用于快速准确地在图像或视频帧中检测人脸 1。
• 支持多种输入格式：可以处理静态图像、视频流以及实时摄像头输入。
• 可配置性：允许用户调整置信度阈值、非极大值抑制（NMS）阈值等参数，以适应不同的应用场景5。
• 硬件加速支持：可以通过选择不同的后端和目标设备（如 CPU、GPU 或 NPU）来加速推理过程

成员函数介绍

• create：创建一个 FaceDetectorYN 对象。
  • model, config: 分别是模型文件路径和配置文件路径。对于大多数预训练模型，仅需提供模型文件路径即可。
  • input_size: 输入图像的尺寸（宽度, 高度）。这通常与模型训练时使用的输入尺寸相匹配。
  • score_threshold: 置信度阈值，低于此分数的人脸将被忽略，默认值为0.9。
  • nms_threshold: 非极大值抑制（NMS）阈值，用于去除重叠的人脸框，默认值为0.3。
  • top_k: 保留的最高得分边界框数量，默认值为5000。
  • setInputSize：设置输入图像的尺寸。
  • width, height: 输入图像的宽度和高度。
• detect：执行人脸检测，并返回检测到的人脸信息。
  • image: 要检测的图像。
  • faces: 输出参数，包含检测到的所有人脸的位置信息和其他相关数据。具体的数据结构取决于实现细节，但通常每个条目会包含一个人脸的位置（如边界框）、置信度分数以及其他可能的关键点位置。
• setScoreThreshold：设置置信度分数阈值。
  • threshold: 新的置信度分数阈值。
• setNMSThreshold：设置非极大值抑制（NMS）阈值。
  • threshold: 新的NMS阈值。
• setTopK：设置保留的最高得分边界框数量。
  • k: 新的最大边界框数量。
• setPreferableBackend：设置首选的DNN后端。
  • backend: 后端标识符，例如 cv::dnn::DNN_BACKEND_OPENCV 或 cv::dnn::DNN_BACKEND_CUDA。
• setPreferableTarget：设置首选的目标设备。
  • target: 目标设备标识符，例如 cv::dnn::DNN_TARGET_CPU 或 cv::dnn::DNN_TARGET_CUDA。

代码示例

#include <iostream>
#include <opencv2/dnn.hpp>
#include <opencv2/opencv.hpp>

int main()
{
    // 模型文件路径
    std::string model_path = "face_detection_yunet_2023mar.onnx";

    // 创建 FaceDetectorYN 对象
    cv::Ptr< cv::FaceDetectorYN > detector = cv::FaceDetectorYN::create( model_path, "", cv::Size( 320, 320 ),  // 输入尺寸，可以根据实际情况调整
                                                                         0.9f,                                  // 置信度阈值
                                                                         0.3f,                                  // NMS 阈值
                                                                         5000                                   // top_k 参数
    );

    // 加载测试图像
    cv::Mat img = cv::imread( "/media/dingxin/data/study/OpenCV/sources/images/zhou.png" );
    if ( img.empty() )
    {
        std::cerr << "无法读取图像" << std::endl;
        return -1;
    }

    // 设置输入尺寸为图像的实际尺寸
    detector->setInputSize( img.size() );

    // 进行人脸检测
    cv::Mat faces;
    detector->detect( img, faces );

    // 绘制检测到的人脸框和关键点
    for ( int i = 0; i < faces.rows; ++i )
    {
        float x     = faces.at< float >( i, 0 );
        float y     = faces.at< float >( i, 1 );
        float w     = faces.at< float >( i, 2 );
        float h     = faces.at< float >( i, 3 );
        float score = faces.at< float >( i, 14 );  // 分数

        // 绘制人脸框
        cv::rectangle( img, cv::Point( x, y ), cv::Point( x + w, y + h ), cv::Scalar( 0, 255, 0 ), 2 );
        

        // 打印分数
        std::cout << "Face " << i << ": Score = " << score << std::endl;
        cv::putText( img, "Face " +std::to_string( i )+": Score =" + std::to_string( score ), cv::Point( x, y - 10 ), cv::FONT_HERSHEY_SIMPLEX, 0.6, cv::Scalar( 0, 255, 0 ), 1 );

        // 绘制人脸关键点（如果有的话）
        for ( int j = 4; j <= 13; j += 2 )
        {
            int keypoint_x = static_cast< int >( faces.at< float >( i, j ) );
            int keypoint_y = static_cast< int >( faces.at< float >( i, j + 1 ) );
            cv::circle( img, cv::Point( keypoint_x, keypoint_y ), 3, cv::Scalar( 0, 0, 255 ), -1 );
        }
    }

    // 显示结果图像
    cv::imshow( "Detected Faces", img );
    cv::waitKey( 0 );

    return 0;
}

运行结果