cv::FaceRecognizerSF 类参考

基于 DNN 的人脸识别器。 更多...

#include <opencv2/objdetect/face.hpp>

cv::FaceRecognizerSF 的协作图

公共类型
枚举	DisType {   FR_COSINE =0 ,   FR_NORM_L2 =1 }
	用于计算两个人脸特征之间距离的距离的定义。 更多...

公共成员函数
virtual	~FaceRecognizerSF ()
virtual void	alignCrop (InputArray src_img, InputArray face_box, OutputArray aligned_img) const =0
	将检测到的人脸与源输入图像对齐并裁剪。
virtual void	feature (InputArray aligned_img, OutputArray face_feature)=0
	从对齐的图像中提取人脸特征。
virtual double	match (InputArray face_feature1, InputArray face_feature2, int dis_type=FaceRecognizerSF::FR_COSINE) const =0
	计算两个人脸特征之间的距离。

静态公共成员函数
static Ptr< FaceRecognizerSF >	create (const String &framework, const std::vector< uchar > &bufferModel, const std::vector< uchar > &bufferConfig, int backend_id=0, int target_id=0)
	从包含模型权重和配置的缓冲区创建此类的实例。
static Ptr< FaceRecognizerSF >	create (CV_WRAP_FILE_PATH const String &model, CV_WRAP_FILE_PATH const String &config, int backend_id=0, int target_id=0)
	使用给定参数创建此类的实例。

详细描述

基于 DNN 的人脸识别器。

模型下载链接：https://github.com/opencv/opencv_zoo/tree/master/models/face_recognition_sface

成员枚举文档

DisType

enum cv::FaceRecognizerSF::DisType

用于计算两个人脸特征之间距离的距离的定义。

枚举器
FR_COSINE
FR_NORM_L2

构造函数 & 析构函数文档

~FaceRecognizerSF()

virtual cv::FaceRecognizerSF::~FaceRecognizerSF ( )

inlinevirtual

成员函数文档

alignCrop()

virtual void cv::FaceRecognizerSF::alignCrop ( InputArray src_img, InputArray face_box, OutputArray aligned_img ) const

纯虚函数

Python
	cv.FaceRecognizerSF.alignCrop(	src_img, face_box[, aligned_img]	) ->	aligned_img

将检测到的人脸与源输入图像对齐并裁剪。

参数

src_img	输入图像
face_box	来自输入图像的检测到的人脸结果
aligned_img	输出对齐的图像

create() [1/2]

static Ptr< FaceRecognizerSF > cv::FaceRecognizerSF::create ( const String & framework, const std::vector< uchar > & bufferModel, const std::vector< uchar > & bufferConfig, int backend_id = 0, int target_id = 0 )

static

Python
	cv.FaceRecognizerSF.create(	model, config[, backend_id[, target_id]]	) ->	retval
	cv.FaceRecognizerSF.create(	framework, bufferModel, bufferConfig[, backend_id[, target_id]]	) ->	retval
	cv.FaceRecognizerSF_create(	model, config[, backend_id[, target_id]]	) ->	retval
	cv.FaceRecognizerSF_create(	framework, bufferModel, bufferConfig[, backend_id[, target_id]]	) ->	retval

从包含模型权重和配置的缓冲区创建此类的实例。

参数

framework	框架的名称 (ONNX 等)
bufferModel	包含二进制模型权重的缓冲区。
bufferConfig	包含网络配置的缓冲区。
backend_id	后端的 ID。
target_id	目标设备的 ID。

返回

指向 FaceRecognizerSF 的已创建实例的指针。

create() [2/2]

static Ptr< FaceRecognizerSF > cv::FaceRecognizerSF::create ( CV_WRAP_FILE_PATH const String & model, CV_WRAP_FILE_PATH const String & config, int backend_id = 0, int target_id = 0 )

static

Python
	cv.FaceRecognizerSF.create(	model, config[, backend_id[, target_id]]	) ->	retval
	cv.FaceRecognizerSF.create(	framework, bufferModel, bufferConfig[, backend_id[, target_id]]	) ->	retval
	cv.FaceRecognizerSF_create(	model, config[, backend_id[, target_id]]	) ->	retval
	cv.FaceRecognizerSF_create(	framework, bufferModel, bufferConfig[, backend_id[, target_id]]	) ->	retval

使用给定参数创建此类的实例。

参数

model	用于人脸识别的 onnx 模型的路径
config	与兼容性相关的配置文件的路径，ONNX 模型不需要此文件
backend_id	后端的 ID
target_id	目标设备的 ID

feature()

virtual void cv::FaceRecognizerSF::feature ( InputArray aligned_img, OutputArray face_feature )

纯虚函数

Python
	cv.FaceRecognizerSF.feature(	aligned_img[, face_feature]	) ->	face_feature

从对齐的图像中提取人脸特征。

参数

aligned_img	输入对齐的图像
face_feature	输出人脸特征

match()

virtual double cv::FaceRecognizerSF::match ( InputArray face_feature1, InputArray face_feature2, int dis_type = FaceRecognizerSF::FR_COSINE ) const

纯虚函数

Python
	cv.FaceRecognizerSF.match(	face_feature1, face_feature2[, dis_type]	) ->	retval

计算两个人脸特征之间的距离。

参数

face_feature1	第一个输入特征
face_feature2	与 face_feature1 具有相同大小和类型的第二个输入特征
dis_type	定义如何计算两个具有可选值 "FR_COSINE" 或 "FR_NORM_L2" 的人脸特征之间的距离

---

此类文档由以下文件生成

• opencv2/objdetect/face.hpp