来源：xaecong

HOG：梯度方向直方图（histogram of orientedgradients）是一种图片描述符格式，它能够汇总图像（例如人脸）的主要特征，从而与相似图像进行比较。

本文以及教程源于两年前，我决定更新源代码使其现代化并再次发布。

Java /C++ vs. Python

本演示将在C++程序中使用dlib库来比较两个面部图像的HOG矩阵，并返回它们之间的相似度。因为JNI（Java本机接口集成）是在进程内完成的，并且具有高性能，所以本演示还会使用Java来“封装”C++函数。

我已经看到了几种基于Python的图像处理解决方案，特别是关于面部比较甚至 面部识别 的方案。这些解决方案使用Python作为主要的编程语言，从dlib或 OpenCV 库中调用函数。实际上，所有这些解决方案都基于Github上提供的一些Python库，例如：

·

·

尽管它们具有便于开发的优点，但这些库可能会损害图像处理解决方案的性能，尤其是在主机没有GPU的情况下。正如我在上一篇文章中提到的，众所周知，主要的Python解释器（例如CPython和PyPy）含有GIL（全局解释器锁）。此外，与Java应用程序相比，Python应用程序的性能可能是另一个问题。

因此，在C ++中实现识别功能并封装在Java代码中，将其作为RESTful服务公开更合理。毕竟，在C ++中这样做不会为解决方案增加价值，而只会增加复杂性。

根据TIOBE榜单（），Java除了具有最佳性能外，还是世界上最流行的编程语言。

HOG

来源：Pexels

回到这一技术，我们将看到如何从图像中提取HOG描述符并在不同图像描述符之间进行比较，这是面部比较应用程序的基础。

简单来说，提取出一个描述像素强度（梯度）变化方向和幅度的矩阵，并使用此数据生成直方图。虽然有几种方法可以从图像中提取HOG，但是原始文章使用的是下文的方法：

方法

第一步是将原始图像转换为灰度图，然后过滤线条以删除背景和不感兴趣的其他特征。可以使用OpenCV或dlib等函数库，甚至使用Gimp来完成此操作：

在这张照片中，左上角是原始图像，其在之后被转换为单色图像，最后是带有边缘过滤器（可以是Sobel或其他突出显示线条的过滤器）的图像。为了获得更好的效果，建议仅切割和加工脸部，因为其余部分无关紧要且可能会干扰比较。

对于每个提取的梯度计算强度和幅度的变化方向。

然后，计算直方图，其中类别为倾斜角度（0.20、40、60、80、100、120、140、160），值（票数）为幅度（强度变化）。

绘制该图（这一步没什么意义，但展示效果更好），可以得到此版本的图像：

由此可以得到HOG特性可能的最佳表示形式。

使用dlib

使用dlib，必须查看哪些对象和函数可以帮助分析图像并提取其HOG矩阵。

1- 检测人脸：

Dlib库含有frontal_face_detector，这是一个使用iBUG 300-W数据集进行HOG和SVG训练的模型。它返回一个矩形的向量，该矩形含有从图像中找到的面部。

 dlib::frontal_face_detectordetector = dlib::get_frontal_face_detector();
…
for (auto face : detector(dlibImage))
  

2- 提取并准备面部：

必须获取生成的矩形，从原始图像中提取出面部并适当地旋转和缩放。为此，使用之前训练的具有68个面部特征或“面部标志”模型：

 ...
dlib::frontal_face_detectordetector = dlib::get_frontal_face_detector();
dlib::shape_predictorsp;
dlib::deserialize(path+ "/shape_predictor_5_face_landmarks.dat") >> sp;
...
matrix<rgb_pixel> face_chip;
dlib::extract_image_chip(dlibImage,dlib::get_face_chip_details(shape,150,0.25), face_chip);  

3- 提取特征向量：

有一个非常有趣的示例，它使用代码中实现的神经网络和预先训练的ResNet v1模型（“ dlib_face_recognition_resnet_model_v1.dat”）从图像中提取HOG向量。可以在以下位置访问使用该技术的原始源代码：

输出ResNet模型：

 
template <template <int,template<typename>class,int,typename> classblock, intN, template<typename>classBN, typenameSUBNET>
usingresidual = add_prev1<block<N,BN,1,tag1<SUBNET>>>;

template <template <int,template<typename>class,int,typename> classblock, intN, template<typename>classBN, typenameSUBNET>
usingresidual_down = add_prev2<avg_pool<2,2,2,2,skip1<tag2<block<N,BN,2,tag1<SUBNET>>>>>>;

template <int N, template <typename> classBN, intstride, typenameSUBNET>
usingblock = BN<con<N,3,3,1,1,relu<BN<con<N,3,3,stride,stride,SUBNET>>>>>;

template <int N, typename SUBNET> using ares =relu<residual<block,N,affine,SUBNET>>;
template <int N, typename SUBNET> using ares_down = relu<residual_down<block,N,affine,SUBNET>>;

template <typename SUBNET> using alevel0 = ares_down<256,SUBNET>;
template <typename SUBNET> using alevel1 = ares<256,ares<256,ares_down<256,SUBNET>>>;
template <typename SUBNET> using alevel2 = ares<128,ares<128,ares_down<128,SUBNET>>>;
template <typename SUBNET> using alevel3 = ares<64,ares<64,ares<64,ares_down<64,SUBNET>>>>;
template <typename SUBNET> using alevel4 = ares<32,ares<32,ares<32,SUBNET>>>;

using anet_type = loss_metric<fc_no_bias<128,avg_pool_everything<
alevel0<
alevel1<
alevel2<
alevel3<
alevel4<
max_pool<3,3,2,2,relu<affine<con<32,7,7,2,2,
input_rgb_image_sized<150>
>>>>>>>>>>>>;  

现在，加载预训练的ResNet模型：

 anet_typenet;
dlib::deserialize(path+ "/dlib_face_recognition_resnet_model_v1.dat") >> net;  

最后，从面部图像中提取特征矩阵：

 std::vector<matrix<float,0,1>> face_descriptors1 = net(faces1);  

4- 比较向量

如果要比较人脸来判断它们来自同一个人，则可以通过矩阵向量计算欧几里得距离。如果小于0.6，则图像可能来自同一个人：

 std::vector<sample_pair> edges;
for (size_t i = 0; i <face_descriptors.size(); ++i)
{
for (size_t j = i; j < face_descriptors.size(); ++j)
{
// Facesare connected in the graph if they are close enough. Here we check if
// thedistance between two face descriptors is less than 0.6, which is the
//decision threshold the network was trained to use. Although you can
//certainly use any other threshold you find useful.
if(length(face_descriptors[i]-face_descriptors[j]) < 0.6)
edges.push_back(sample_pair(i,j));
}  

可以预先计算并存储认识的人的图像矩阵，然后在需要识别脸部时搜索数据库。实际上，我使用家庭安全摄像头开发并实现了这样的系统。它运行良好，精度合理。

示例代码

本文附带一个示例代码，其中包含Java和C ++的部分，该代码比较两个图像并说明它们是否来自同一个人。查看相同人像的执行情况：

这是两张我的照片，相隔至少7年，其中一张我留着山羊胡子和胡须，这并不妨碍人们认出我。C ++函数的返回为“true”，也就是说，它正确地判断了两个图像来自同一个人。

现在来看一个使用不同图像的示例：

我使用了来自维基百科（）的Thomas Edison的图像，结果是负面的。我用其他几张图像进行了测试，获得了相同的结果。

可以只使用OpenCV库，它实现同样的功能，但是我发现dlib示例代码更准确。

如何编译和运行项目

朋友，你需要耐心……非常耐心！我使用的是三星笔记本电脑，第8代I7，具有12 GB RAM和Nvidia芯片组，尽管我没有在项目中使用编译的dlib或OpenCV。如果要开发“生产级”解决方案，请不要浪费任何时间：使用指令集AVX和GPU进行编译！

甚至不要浪费时间尝试在另一个操作系统上进行编译！原始版本是在MacOS上完成的，但我修改了所有内容，使其可以在Ubuntu（18.xx）上运行。问题变少了！我试图在MS Windows上运行，但是，它需要花费更多的工作来调整，性能也不是很好。

1- 克隆仓库

 2- git clone   

dlib代码已包含在内。它含有Java应用程序代码和实现了调用的原生方法的C ++函数。

2- Java应用程序

编译刚刚运行的应用程序：

 mvn cleanpackage  

或者，将Maven项目导入到Eclipse工作区中。此应用程序使用JNI调用原生方法：

 static {
nu.pattern.OpenCV.loadShared();
System.loadLibrary("hogcomparator");
}

// Nativemethod implemented by a C++ library:
privatenativebooleancompareFaces(long addressPhoto1, longaddressPhoto2);  

为了使Java调用“compareFaces”方法，需要创建一个名为“hogcomparator”的共享库（或DLL，如果要坚持使用MS Windows）。该库应以JNI（Java本机接口）制定的方式实现原生方法“compareFaces”。为此，需要创建一个包含方法声明的C ++标头。在仓库中，这些都已经完成，但是如果你需要创建另一个应用程序，最好看看我是如何做的。

为了创建标头，之前使用的是javah程序：

 Javah -jni-classpath C:ProjectNamesrc com.abc.YourClassName  

自从Java 10开始javah已不存在！现在，使用javac编译器-h选项。但是，因为我在使用Maven，只需在pom.xml中正确配置构建插件即可：

 <plugin>
<artifactId>maven-compiler-plugin</artifactId>
<version>3.7.0</version>
<configuration>
<compiler arg s>
<arg>-h</arg>
<arg>target/headers</arg>
</compilerArgs>
<source>11</source>
<target>11</target>
</configuration>
</plugin>  

编译程序时（使用mvn clean程序包或通过eclipse），在目标/标头文件夹中找到文件：“com_obomprogramador_hog_HogComparator.h”。该文件需要复制到plasta hog / cplusplus，并将导入cpp源。

使用OpenCV读取图像并将它们传递给原生方法。使用OpenCV中的Mat类和imread函数来读取图像：

 Mat photo1= imread(args[0]);
Mat photo2= imread(args[1]);
HogComparatorhg = new HogComparator();
System.out.println("Images are from the same person? "
+hg.compareFaces(photo1.getNativeObjAddr(),photo2.getNativeObjAddr()));  

原生方法接收内存中Mat结构的地址，可以使用getNativeObjAddr（）方法实现。这使与C ++的通信变得更加容易。

来源：Pexels

3- App中的C++部分

实际上，可以直接使用Java进行所有操作而无需C ++，也可以使用OpenCV本身来计算HOG矩阵。但是出于性能和实用性的考虑，某些操作使用C++会更好。

我创建了一个“Java绑定”，即一个小的C ++代码，可对其进行编译以生成共享库。为了与Java部分进行通信，需要导入在上一步中生成的标头：

 # include <jni.h>
#include<iostream>
#include <cstdlib>
#include "com_obomprogramador_hog_HogComparator.h"  

C ++代码接收Mat结构的地址，将其转换为dlib使用的类型array2d：

 JNIEXPORT jboolean JNICALL Java_com_obomprogramador_hog_HogComparator_compareFaces
(JNIEnv *env, jobject obj, jlong addFoto1, jlong addFoto2) {
constchar* pPath = getenv ("HOGCOMPARATOR_PATH");
std::stringpath(pPath);
cv::Mat*pInputImage = (cv::Mat*)addFoto1;
cv::Mat*pInputImage2 = (cv::Mat*)addFoto2;
dlib::array2d<rgb_pixel>dlibImage;
dlib::array2d<rgb_pixel>dlibImage2;
dlib::assign_image(dlibImage,dlib::cv_image<bgr_pixel>(*pInputImage));
dlib::assign_image(dlibImage2,dlib::cv_image<bgr_pixel>(*pInputImage2));  

一个重要的细节是，需要加载两个模型文件，它们从以下地址获取：

·

·

只需解压缩，然后创建一个名为HOGCOMPARATOR_PATH的 环境变量 ，指向两个文件解压缩的路径。

其余部分在谈到dlib时已经进行了解释：检测人脸，提取人脸，计算矩阵然后比较距离：

 bool thereIsAmatch = false;
for (size_t i = 0; i <face_descriptors1.size(); ++i)
{
for (size_t j = i; j < face_descriptors2.size(); ++j)
{
if (length(face_descriptors1[i]-face_descriptors2[j])< 0.6)
thereIsAmatch= true;
}
}

return thereIsAmatch;  

编译C++部分有些痛苦……正如我所说，dlib已经内置在CmakeLists.txt中，但是你需要在工作站上安装OpenCV。我正在使用的是Ubuntu 18和OpenCV 3.4.2-1。如果要使用较新版本的OpenCV，需要知道没有对应的Java库。我使用Maven存储库中的org.openpnp项目来促进Java代码与OpenCV的集成。

一旦安装了OpenCV，就可以编译C++部分。为此，将生成的头文件复制到cplusplus文件夹（如果更改了它），然后打开一个终端：

 cd hog/cplusplus
mkdirbuild
cd build
cmake ..
cmake--build . --config Release  

完成编译后，构建文件夹中将有一个文件“libhogcomparator.so”。这是实现原生方法的库。

要在Eclipse中运行项目，请打开RUN菜单，然后点击RUN CONFIGURATIONS。创建运行“Java应用程序”的配置，选择主类（HogComparator）并添加两个参数，它们是要比较的图像的路径。还要为JVM添加一个参数-Djava.library.path，指向cplusplus / build文件夹。最后，创建指向两个模板文件解压缩路径的环境变量。

命令行参数，例如：

/home/cleuton/Documentos/projetos/hog/etc/cleuton.jpg/home/cleuton/Documentos/projetos/hog/etc/thomas_edison.jpg

“libhogcomparator”的位置参数：

-Djava.library.path = / home / cleuton /Documents / projects / hog / cplusplus / build

环境变量：HOGCOMPARATOR_PATH = / home / cleuton /Documents / projects / hog / cplusplus / build

总结

来源：Pexels

这个简短的教程展示了如何使用Java和C++以出色的性能在应用程序中实现面部识别。现在，你可以将Java部分变成RESTful服务并将其放置在移动应用程序中，从而提供面部识别作为身份验证的一种方式。

留言点赞关注

我们一起分享AI学习与发展的干货

如转载，请后台留言，遵守转载规范