🍉 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。

🌺 清风莫追 🌺

csdn个人主页：https://blog.csdn.net/m0_63238256

🌷 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

（同时这也是insightface的python库的使用教程）

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<Response>，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。

文章链接：https://cfeng.blog.csdn.net/article/details/129719839