目录
- 1. 简介
- 2. OpenCV GPU版本编译
- 3. 下载模型和demo
- 4. 编译运行
1. 简介
最新发布的OpenCV 4.5.4版本收录了一个基于深度学习神经网络的人脸模块（以下称“OpenCV DNN Face”），包括人脸检测（使用模型YuNet，由OpenCV China团队贡献）和人脸识别（使用模型SFace，由北京邮电大学邓伟洪教授课题组贡献）。
在相应的数据集上对OpenCV DNN Face的两个模型分别进行测试：
人脸检测模型YuNet在WIDER Face数据集的验证集中达到了0.856(AP_easy)，0.842(AP_medium)，0.727(AP_hard)；
人脸识别模型SFace在LFW数据集上达到了99.60%的准确率 （https://docs.opencv.org/master/d0/dd4/tutorial_dnn_face.html中有更详细的测试结果，以及此人脸模块的一些使用说明）。
根据OpenCV最新公开的OpenCV Zoo（https://github.com/opencv/opencv_zoo）的基准测试结果：
当输入图像尺寸为160x120时，YuNet在i7-5930K@3.50GHz上达到689FPS，在树莓派4B上可达160FPS；
SFace在输入图像尺寸为112x112，同样的平台下分别为115FPS和10FPS。
YuNet仅为337K，SFace为37MB，二者均为轻量模型，非常适合移动端应用。
2. OpenCV GPU版本编译
cmake -D CMAKE_BUILD_TYPE=Release \-D CMAKE_INSTALL_PREFIX=/usr/local \-D OPENCV_EXTRA_MODULES_PATH=~/deps/opencv_contrib-4.10.0/modules \-D WITH_CUDA=ON \-D CUDA_ARCH_BIN=8.6 \-D CUDA_TOOLKIT_ROOT_DIR=/usr/local/cuda-12.4 \-D WITH_CUDNN=ON \-D OPENCV_DNN_CUDA=ON \-D CUDNN_INCLUDE_DIR=/usr/local/cuda-12.4/include \-D CUDNN_LIBRARY=/usr/local/cuda-12.4/lib64/libcudnn.so \-D WITH_TBB=ON \-D BUILD_opencv_python3=ON \-D PYTHON3_EXECUTABLE=/usr/bin/python3 \-D PYTHON3_PACKAGES_PATH=/usr/local/lib/python3.10/dist-packages \-D BUILD_opencv_python2=OFF \-D BUILD_opencv_java=OFF \-D BUILD_EXAMPLES=ON \-DOpenCL_INCLUDE_DIRS=/usr/include \-DOpenCL_LIBRARIES=/usr/lib/x86_64-linux-gnu/libOpenCL.so \..
make -j$(nproc)
sudo make install
sudo ldconfig
注意：这里一定要开启cuda和cudnn
3. 下载模型和demo
下载地址
分别下载face_detection_yunet和face_recognition_sface，并解压到相同目录下。
4. 编译运行
cmake -B build -D OPENCV_INSTALLATION_PATH=/path/to/opencv/installation .
cmake --build build# detect on camera input
./build/demo -t=/path/to/target_face
# detect on an image
./build/demo -t=/path/to/target_face -q=/path/to/query_face -v
