SeetaFace2 人脸识别引擎包括了搭建一套全自动人脸识别系统所需的三个核心模块，即：人脸检测模块 FaceDetector、面部关键点定位模块 FaceLandmarker 以及人脸特征提取与比对模块 FaceRecognizer。还将陆续开源人脸跟踪、闭眼检测等辅助模块。
SeetaFace2 采用标准 C++ 开发，全部模块均不依赖任何第三方库，支持 x86 架构（Windows、Linux）和 ARM 架构（Android）。SeetaFace2 支持的上层应用包括但不限于人脸门禁、无感考勤、人脸比对等。
SeetaFace2 是面向于人脸识别商业落地的里程碑版本，其中人脸检测模块在 FDDB 上的 100 个误检条件下可达到超过 92% 的召回率，面部关键点定位支持 5 点和 81 点定位，1 比 N 模块支持数千人规模底库的人脸识别应用。
| 模块 | 方法概述 | 基础技术指标 | 典型平台速度 |
|---|---|---|---|
| 人脸检测 | Cascaded CNN | FDDB 上召回率达到92%（100个误检情况下）。 | 40 最小人脸 I7: 70FPS(1920x1080) RK3399: 25FPS(640x480) |
| 面部关建点定位(81点和5点) | FEC-CNN | 平均定位误差（根据两眼中心距离归一化） 300-W Challenge Set 上达到 0.069。 |
I7: 450FPS 和 500FPS RK3399: 110FPS 和 220FPS |
| 人脸特征提取与比对 | ResNet50 | 识别：通用1：N+1场景下，错误接受率1%时， 1000人底库，首选识别率超过98%， 5000人底库，首选识别率超过95%。 |
I7: 8FPS RK3399: 2.5FPS |
与 2016 年开源的 SeetaFace 1.0 相比，SeetaFace2 在速度和精度两个层面上均有数量级的提升。
| 版本 | 人脸检测 | 关键点定位 | 人脸识别 | 第三方依赖 | |||
|---|---|---|---|---|---|---|---|
| 速度[1] | 单精度[2] | 速度 | 功能 | 训练数据规模 | 应用 | ||
| 1.0 | 16FPS | 85% | 200FPS | 5点 | 140万张 | 实验室 | 无 |
| 2.0 | 77FPS | 92% | 500FPS | 5/81点 | 3300万张 | 商业环境 | 无 |
| 备注 |
[1] 640x480输入、检测40x40人脸、I7-6700。 [2] 人脸检测的精度指100个误捡FDDB数据集的召回率。 |
||||||
知人识面辩万物，开源赋能共发展。SeetaFace2 致力于 AI 赋能发展，和行业伙伴一起共同推进人脸识别技术的落地。
- GNU Make 工具
- GCC 或者 Clang 编译器
- CMake
linux 和 windows 上的 SDK 编译脚本见目录 craft，其中 craft/linux 下为 linux 版本的编译脚本，craft/windows 下为 windows 版本的编译脚本，默认编译的库为64位 Release 版本。
linux 和 windows上的SDK编译方法：
- 打开终端（windows上为VS2015 x64 Native Tools Command Prompt 工具，linux 上为bash），
cd到编译脚本所在目录； - 执行对应平台的编译脚本。
linux 上 example 的编译运行方法：
cd到example/search目录下，执行make指令；- 拷贝模型文件到程序指定的目录下；
- 执行脚本
run.sh。
windows 上 example 的编译运行方法：
- 使用 vs2015 打开
SeetaExample.sln构建工程，修改Opencv3.props属性表中变量OpenCV3Home的值为本机上的 OpenCV3 的安装目录； - 执行 vs2015 中的编译命令；
- 拷贝模型文件到程序指定的目录下，运行程序。
Android 版本的编译方法：
- 安装 ndk 编译工具；
- 环境变量中导出 ndk-build 工具；
cd到各模块的jni目录下（如SeetaNet 的 Android 编译脚本位置为SeetaNet/sources/jni， FaceDetector 的 Android 编译脚本位置为FaceDetector/FaceDetector/jni），执行ndk-build -j8命令进行编译。
编译依赖说明：人脸检测模块 FaceDetector ， 面部关键点定位模块 FaceLandmarker 以及人脸特征提取与比对模块 FaceRecognizer 均依赖前向计算框架 SeetaNet 模块，因此需优先编译前向计算框架 SeetaNet 模块。
|-- SeetaFace2
|-- craft（linux 和 windows 平台的编译脚本）
|-- documents（SDK 接口说明文档）
|-- example（C++ 版本 SDK 示例代码）
|-- FaceDetector（人脸检测模块）
|-- FaceLandmarker（特征点定位模块）
|-- FaceRecognizer（人脸特征提取和比对模块）
|-- SeetaNet（前向计算框架模块）
-
人脸检测模块 FaceDetector 模型下载链接：
MD5 ：E88669E5F1301CA56162DE8AEF1FD5D5
百度网盘：https://pan.baidu.com/s/1Dt0M6LXeSe4a0Pjyz5ifkg 提取码：fs8r
Dropbox : https://www.dropbox.com/s/cemt9fl48t5igfh/fd_2_00.dat?dl=0 -
面部特征5点定位模块 FaceLandmarker 模型下载链接：
MD5 ：877A44AA6F07CB3064AD2828F50F261A
百度网盘：https://pan.baidu.com/s/1MqofXbmTv8MIxnZTDt3h5A 提取码：7861
Dropbox : https://www.dropbox.com/s/noy8tien1gmw165/pd_2_00_pts5.dat?dl=0 -
面部特征81点定位模块 FaceLandmarker 模型下载链接：
MD5 ：F3F812F01121B5A80384AF3C35211BDD
百度网盘：https://pan.baidu.com/s/1CCfTGaSg_JSY3cN-R1Myaw 提取码：p8mc
Dropbox : https://www.dropbox.com/s/v41lmclaxpwow1d/pd_2_00_pts81.dat?dl=0 -
人脸特征提取和比对模块 FaceRecognizer 模型下载链接：
MD5 ：2D637AAD8B1B7AE62154A877EC291C99
百度网盘：https://pan.baidu.com/s/1y2vh_BHtYftR24V4xwAVWg 提取码：pim2
Dropbox : https://www.dropbox.com/s/6aslqcokpljha5j/fr_2_10.dat?dl=0
example/search/example.cpp 示例展示了一套简单且完整的人脸识别的流程，包括：1. 预注册图像中的人脸到人脸识别底库中（example 中默认注册了"1.jpg"中的人脸）；2. 打开摄像头，检测摄像头画面中的人脸；3.对检测到人脸进行识别，确定所属人脸的身份。
测试者如果想在底库中成功识别出自己的人脸，需要在example.cpp的底库注册列表部分添加以自己名称命名的图片(名称 + .jpg)，并把自己名称命名的图片文件拷贝到程序的运行目录下，重新编译 example 并运行程序，测试识别效果即可。
欢迎开发者加入 SeetaFace 开发者社区，请先加 SeetaFace 小助手微信，经过审核后邀请入群。
想要购买 SeetaFace 商业版引擎以获得精度更高、速度更快的人脸识别算法或活体验证、表情识别、心率估计、姿态估计、视线追踪等更多人脸分析模块支持，请联系商务邮件 bd@seetatech.com。
SeetaFace2 依照 BSD 2-Clause license 开源.