面部表情识别4：C++实现表情识别(含源码，可实时检测)
目录
面部表情识别4：C++实现表情识别(含源码，可实时检测)
1.面部表情识别方法
2.人脸检测方法
3.面部表情识别模型(Python)
（1） 面部表情识别模型的训练
（2） 将Pytorch模型转换ONNX模型
（3） 将ONNX模型转换为TNN模型
4.面部表情识别模型C/C++部署
（1）项目结构
（2）配置开发环境(OpenCV+OpenCL+base-utils+TNN)
（3）部署TNN模型
（4）CMake配置
（5）main源码
（6）源码编译和运行
（7）Demo测试效果
5.项目源码下载
这是项目《面部表情识别》系列之《C++实现表情识别(含源码，可实时检测)》，主要分享将Python训练后的面部表情识别模型(mobilenet_v2)部署到C/C++平台。我们将开发一个简易的、可实时运行的面部表情识别的C/C++ Demo。准确率还挺高的，采用轻量级mobilenet_v2模型的面部表情识别准确率也可以高达94.72%左右，基本满足业务性能需求。C/C ++版本表情识别模型推理支持CPU和GPU加速，开启GPU(OpenCL)加速,可以达到实时的检测识别效果，基本满足业务的性能需求。
先展示一下，C/C++版本的面部表情识别Demo效果（不同表情用不同的颜色框标注了）
【尊重原创，转载请注明出处】/guyuealian/article/details/129467023
更多项目《面部表情识别》系列文章请参考：
面部表情识别1：表情识别数据集(含下载链接)面部表情识别2：Pytorch实现表情识别(含表情识别数据集和训练代码)面部表情识别3：Android实现表情识别(含源码，可实时检测)面部表情识别4：C++实现表情识别(含源码，可实时检测)
1.面部表情识别方法
面部表情识别方法有多种实现方案，这里采用最常规的方法：基于人脸检测+面部表情分类识别方法，即先采用通用的人脸检测模型，进行人脸检测，然后裁剪人脸区域，再训练一个面部表情分类器，完成对面部表情识别；
这样做的好处，是可以利用现有的人脸检测模型，而无需重新训练人脸检测模型，可减少人工标注成本低；而人脸数据相对而言比较容易采集，分类模型可针对性进行优化。
2.人脸检测方法
本项目人脸检测训练代码请参考：/Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB
这是一个基于SSD改进且轻量化后人脸检测模型，很slim，整个模型仅仅1.7M左右，在普通Android手机都可以实时检测。人脸检测方法在网上有一大堆现成的方法可以使用，完全可以不局限我这个方法。
关于人脸检测的方法，可以参考我的博客：
行人检测和人脸检测和人脸关键点检测（C++/Android源码）人脸检测和行人检测2：YOLOv5实现人脸检测和行人检测(含数据集和训练代码)
3.面部表情识别模型(Python)
（1）面部表情识别模型的训练
本篇博文不含python版本的面部表情模型以及相关训练代码，关于面部表情识别模型的训练方法，请参考本人另一篇博文《面部表情识别2：Pytorch实现表情识别(含表情识别数据集和训练代码)》：面部表情识别2：Pytorch实现表情识别(含表情识别数据集和训练代码)
（2） 将Pytorch模型转换ONNX模型
目前CNN模型有多种部署方式，可以采用TNN，MNN,NCNN，以及TensorRT等部署工具，鄙人采用TNN进行C/C++端上部署。部署流程可分为四步：训练模型->将模型转换ONNX模型->将ONNX模型转换为TNN模型->C/C++部署TNN模型。
训练好Pytorch模型后，我们需要先将模型转换为ONNX模型，以便后续模型部署。
原始项目提供转换脚本，你只需要修改model_file为你模型路径即可convert_torch_to_onnx.py实现将Pytorch模型转换ONNX模型的脚本
python libs/convert/convert_torch_to_onnx.py
"""This code is used to convert the pytorch model into an onnx format model."""import sysimport ossys.path.insert(0, os.getcwd())import torch.onnximport onnxfrom classifier.models.build_models import get_modelsfrom basetrainer.utils import torch_toolsdef build_net(model_file, net_type, input_size, num_classes, width_mult=1.0):""":param model_file: 模型文件:param net_type: 模型名称:param input_size: 模型输入大小:param num_classes: 类别数:param width_mult::return:"""model = get_models(net_type, input_size, num_classes, width_mult=width_mult, is_train=False, pretrained=False)state_dict = torch_tools.load_state_dict(model_file)model.load_state_dict(state_dict)return modeldef convert2onnx(model_file, net_type, input_size, num_classes, width_mult=1.0, device="cpu", onnx_type="default"):model = build_net(model_file, net_type, input_size, num_classes, width_mult=width_mult)model = model.to(device)model.eval()model_name = os.path.basename(model_file)[:-len(".pth")] + ".onnx"onnx_path = os.path.join(os.path.dirname(model_file), model_name)# dummy_input = torch.randn(1, 3, 240, 320).to("cuda")dummy_input = torch.randn(1, 3, input_size[1], input_size[0]).to(device)# torch.onnx.export(model, dummy_input, onnx_path, verbose=False,# input_names=['input'],output_names=['scores', 'boxes'])do_constant_folding = Trueif onnx_type == "default":torch.onnx.export(model, dummy_input, onnx_path, verbose=False, export_params=True,do_constant_folding=do_constant_folding,input_names=['input'],output_names=['output'])elif onnx_type == "det":torch.onnx.export(model,dummy_input,onnx_path,do_constant_folding=do_constant_folding,export_params=True,verbose=False,input_names=['input'],output_names=['scores', 'boxes', 'ldmks'])elif onnx_type == "kp":torch.onnx.export(model,dummy_input,onnx_path,do_constant_folding=do_constant_folding,export_params=True,verbose=False,input_names=['input'],output_names=['output'])onnx_model = onnx.load(onnx_path)onnx.checker.check_model(onnx_model)print(onnx_path)if __name__ == "__main__":net_type = "mobilenet_v2"width_mult = 1.0input_size = [128, 128]num_classes = 2model_file = "work_space/mobilenet_v2_1.0_CrossEntropyLoss/model/best_model_022_98.1848.pth"convert2onnx(model_file, net_type, input_size, num_classes, width_mult=width_mult)
（3） 将ONNX模型转换为TNN模型
目前CNN模型有多种部署方式，可以采用TNN，MNN,NCNN，以及TensorRT等部署工具，鄙人采用TNN进行C/C++端上部署
TNN转换工具：
（1）将ONNX模型转换为TNN模型，请参考TNN官方说明：TNN/onnx2tnn.md at master · Tencent/TNN · GitHub（2）一键转换，懒人必备：一键转换 Caffe, ONNX, TensorFlow 到 NCNN, MNN, Tengine (可能存在版本问题，这个工具转换的TNN模型可能不兼容，建议还是自己build源码进行转换，9约25日测试可用)
4.面部表情识别模型C/C++部署
项目IDE开发工具使用CLion，相关依赖库主要有OpenCV，base-utils以及TNN和OpenCL(可选)，其中OpenCV必须安装，OpenCL用于模型加速，base-utils以及TNN已经配置好，无需安装；
项目仅在Ubuntu18.04进行测试，Windows系统下请自行配置好开发环境。
（1）项目结构
（2）配置开发环境(OpenCV+OpenCL+base-utils+TNN)
项目IDE开发工具使用CLion，相关依赖库主要有OpenCV，base-utils以及TNN和OpenCL(可选)，其中OpenCV必须安装，OpenCL用于模型加速，base-utils以及TNN已经配置好，无需安装；
安装OpenCV：图像处理项目仅在Ubuntu18.04进行测试，Windows系统下请自行配置和编译
图像处理（如读取图片，图像裁剪等）都需要使用OpenCV库进行处理
安装教程：Ubuntu18.04安装opencv和opencv_contrib_AI吃大瓜的博客-CSDN博客_opencv opencv_contrib ubuntu
安装OpenCL：模型加速OpenCV库使用opencv-4.3.0版本，opencv_contrib库暂时未使用，可不安装
安装教程：Ubuntu16.04 安装OpenCV&OpenCL_xiaozl_284的博客-CSDN博客_clinfo源码下载
base-utils：C++库OpenCL用于模型GPU加速，若不使用OpenCL进行模型推理加速，纯C++推理模型，速度会特别特别慢
GitHub：/PanJinquan/base-utils （无需安装，项目已经配置了）
TNN：模型推理base_utils是个人开发常用的C++库，集成了C/C++ OpenCV等常用的算法
GitHub：/Tencent/TNN（无需安装，项目已经配置了）
由腾讯优图实验室开源的高性能、轻量级神经网络推理框架，同时拥有跨平台、高性能、模型压缩、代码裁剪等众多突出优势。TNN框架在原有Rapidnet、ncnn框架的基础上进一步加强了移动端设备的支持以及性能优化，同时借鉴了业界主流开源框架高性能和良好拓展性的特性，拓展了对于后台X86, NV GPU的支持。手机端 TNN已经在手机QQ、微视、P图等众多应用中落地，服务端TNN作为腾讯云AI基础加速框架已为众多业务落地提供加速支持。
（3）部署TNN模型
项目实现了C/C++版本的车牌检测和车牌识别，车牌检测模型YOLOv5和车牌识别模型PlateNet，模型推理采用TNN部署框架（支持多线程CPU和GPU加速推理）；图像处理采用OpenCV库，模型加速采用OpenCL，在普通设备即可达到实时处理。
如果你想在这个 Demo部署你自己训练的车牌检测模型YOLOv5和车牌识别模型PlateNet，你可将训练好的Pytorch模型转换ONNX ，再转换成TNN模型，然后把原始的模型替换成你自己的TNN模型即可。
（4）CMake配置
这是CMakeLists.txt，其中主要配置OpenCV+OpenCL+base-utils+TNN这四个库，Windows系统下请自行配置和编译
cmake_minimum_required(VERSION 3.5)project(Detector)add_compile_options(-fPIC) # fix Bug: can not be used when making a shared objectset(CMAKE_CXX_FLAGS "-Wall -std=c++11 -pthread")#set(CMAKE_CXX_FLAGS_RELEASE "-O2 -DNDEBUG")#set(CMAKE_CXX_FLAGS_DEBUG "-g")if (NOT CMAKE_BUILD_TYPE AND NOT CMAKE_CONFIGURATION_TYPES)# -DCMAKE_BUILD_TYPE=Debug# -DCMAKE_BUILD_TYPE=Releasemessage(STATUS "No build type selected, default to Release")set(CMAKE_BUILD_TYPE "Release" CACHE STRING "Build type (default Debug)" FORCE)endif ()# opencv setfind_package(OpenCV REQUIRED)include_directories(${OpenCV_INCLUDE_DIRS} ./src/)#MESSAGE(STATUS "OpenCV_INCLUDE_DIRS = ${OpenCV_INCLUDE_DIRS}")# base_utilsset(BASE_ROOT 3rdparty/base-utils) # 设置base-utils所在的根目录add_subdirectory(${BASE_ROOT}/base_utils/ base_build) # 添加子目录到build中include_directories(${BASE_ROOT}/base_utils/include)include_directories(${BASE_ROOT}/base_utils/src)MESSAGE(STATUS "BASE_ROOT = ${BASE_ROOT}")# TNN set# Creates and names a library, sets it as either STATIC# or SHARED, and provides the relative paths to its source code.# You can define multiple libraries, and CMake buil ds it for you.# Gradle automatically packages shared libraries with your APK.# build for platform# set(TNN_BUILD_SHARED OFF CACHE BOOL "" FORCE)if (CMAKE_SYSTEM_NAME MATCHES "Android")set(TNN_OPENCL_ENABLE ON CACHE BOOL "" FORCE)set(TNN_ARM_ENABLE ON CACHE BOOL "" FORCE)set(TNN_BUILD_SHARED OFF CACHE BOOL "" FORCE)set(TNN_OPENMP_ENABLE ON CACHE BOOL "" FORCE) # Multi-Thread#set(TNN_HUAWEI_NPU_ENABLE OFF CACHE BOOL "" FORCE)add_definitions(-DTNN_OPENCL_ENABLE) # for OpenCL GPUadd_definitions(-DTNN_ARM_ENABLE) # for Android CPUadd_definitions(-DDEBUG_ANDROID_ON) # for Android Logadd_definitions(-DPLATFORM_ANDROID)elseif (CMAKE_SYSTEM_NAME MATCHES "Linux")set(TNN_OPENCL_ENABLE ON CACHE BOOL "" FORCE)set(TNN_CPU_ENABLE ON CACHE BOOL "" FORCE)set(TNN_X86_ENABLE OFF CACHE BOOL "" FORCE)set(TNN_QUANTIZATION_ENABLE OFF CACHE BOOL "" FORCE)set(TNN_OPENMP_ENABLE ON CACHE BOOL "" FORCE) # Multi-Threadadd_definitions(-DTNN_OPENCL_ENABLE) # for OpenCL GPUadd_definitions(-DDEBUG_ON)# for WIN/Linux Logadd_definitions(-DDEBUG_LOG_ON)# for WIN/Linux Logadd_definitions(-DDEBUG_IMSHOW_OFF) # for OpenCV showadd_definitions(-DPLATFORM_LINUX)elseif (CMAKE_SYSTEM_NAME MATCHES "Windows")set(TNN_OPENCL_ENABLE ON CACHE BOOL "" FORCE)set(TNN_CPU_ENABLE ON CACHE BOOL "" FORCE)set(TNN_X86_ENABLE ON CACHE BOOL "" FORCE)set(TNN_QUANTIZATION_ENABLE OFF CACHE BOOL "" FORCE)set(TNN_OPENMP_ENABLE ON CACHE BOOL "" FORCE) # Multi-Threadadd_definitions(-DTNN_OPENCL_ENABLE) # for OpenCL GPUadd_definitions(-DDEBUG_ON)# for WIN/Linux Logadd_definitions(-DDEBUG_LOG_ON)# for WIN/Linux Logadd_definitions(-DDEBUG_IMSHOW_OFF) # for OpenCV showadd_definitions(-DPLATFORM_WINDOWS)endif ()set(TNN_ROOT 3rdparty/TNN)include_directories(${TNN_ROOT}/include)include_directories(${TNN_ROOT}/third_party/opencl/include)add_subdirectory(${TNN_ROOT}) # 添加外部项目文件夹set(TNN -Wl,--whole-archive TNN -Wl,--no-whole-archive)# set TNN libraryMESSAGE(STATUS "TNN_ROOT = ${TNN_ROOT}")# Detectorinclude_directories(src)set(SRC_LISTsrc/object_detection.cppsrc/classification.cppsrc/Interpreter.cpp)add_library(dmcv SHARED ${SRC_LIST})target_link_libraries(dmcv ${OpenCV_LIBS} base_utils)MESSAGE(STATUS "DIR_SRCS = ${SRC_LIST}")add_executable(Detector src/main.cpp)#add_executable(Detector src/main_for_detect.cpp)#add_executable(Detector src/main_for_yolov5.cpp)target_link_libraries(Detector dmcv ${TNN} -lpthread)
（5）main源码
主程序中函数main实现提供了面部表情识别的使用方法，支持图片，视频和摄像头测试
test_image_file(); // 测试图片文件 test_video_file(); // 测试视频文件 test_camera(); //测试摄像头
//// Created by Pan on /6/24.//#include "object_detection.h"#include "classification.h"#include <iostream>#include <string>#include <vector>#include "file_utils.h"#include "image_utils.h"using namespace dl;using namespace vision;using namespace std;const int num_thread = 1; // 开启CPU线程数目DeviceType device = GPU; // 选择运行设备CPU/GPU// 人脸检测模型const char *det_model_file = (char *) "../data/tnn/face/rfb-face-mask-320-320_sim.opt.tnnmodel";const char *det_proto_file = (char *) "../data/tnn/face/rfb-face-mask-320-320_sim.opt.tnnproto";ObjectDetectionParam model_param = FACE_MODEL;//模型参数// 分类模型const char *cls_model_file = (char *) "../data/tnn/emotion/mobilenet_v2_112_112.tnnmodel";const char *cls_proto_file = (char *) "../data/tnn/emotion/mobilenet_v2_112_112.tnnproto";ClassificationParam ClassParam = EMOTION_MODEL;//模型参数// 设置检测阈值const float scoreThresh = 0.5;const float iouThresh = 0.3;ObjectDetection *detector = new ObjectDetection(det_model_file,det_proto_file,model_param,num_thread,device);Classification *classifier = new Classification(cls_model_file,cls_proto_file,ClassParam,num_thread,device);/**** 测试图片文件*/void test_image_file() {//测试图片的目录string image_dir = "../data/test_image";std::vector<string> image_list = get_files_list(image_dir);for (string image_path:image_list) {cv::Mat bgr_image = cv::imread(image_path);bgr_image = image_resize(bgr_image, 960);if (bgr_image.empty()) continue;FrameInfo resultInfo;// 进行人脸检测detector->detect(bgr_image, &resultInfo, scoreThresh, iouThresh);// 进行图像分类classifier->detect(bgr_image, &resultInfo);// 可视化检测结果classifier->visualizeResult(bgr_image, &resultInfo);}delete detector;detector = nullptr;delete classifier;classifier = nullptr;printf("FINISHED.\n");}/**** 测试视频文件* @return*/int test_video_file() {//测试视频文件string video_file = "../data/video/video-test.mp4";cv::VideoCapture cap;bool ret = get_video_capture(video_file, cap);cv::Mat frame;while (ret) {cap >> frame;if (frame.empty()) break;FrameInfo resultInfo;// 进行人脸检测detector->detect(frame, &resultInfo, scoreThresh, iouThresh);// 进行图像分类classifier->detect(frame, &resultInfo);// 可视化检测结果classifier->visualizeResult(frame, &resultInfo, 20);}cap.release();delete detector;detector = nullptr;delete classifier;classifier = nullptr;printf("FINISHED.\n");return 0;}/**** 测试摄像头* @return*/int test_camera() {int camera = 0; //摄像头ID号(请修改成自己摄像头ID号)cv::VideoCapture cap;bool ret = get_video_capture(camera, cap);cv::Mat frame;while (ret) {cap >> frame;if (frame.empty()) break;FrameInfo resultInfo;// 进行人脸检测detector->detect(frame, &resultInfo, scoreThresh, iouThresh);// 进行图像分类classifier->detect(frame, &resultInfo);// 可视化检测结果classifier->visualizeResult(frame, &resultInfo, 20);}cap.release();delete detector;detector = nullptr;delete classifier;classifier = nullptr;printf("FINISHED.\n");return 0;}int main() {test_image_file(); // 测试图片文件//test_video_file(); // 测试视频文件//test_camera(); //测试摄像头return 0;}
（6）源码编译和运行
编译脚本，或者直接：bash build.sh
#!/usr/bin/env bashif [ ! -d "build/" ];thenmkdir "build"elseecho "exist build"ficd buildcmake ..make -j4sleep 1./demo
如果你要测试CPU运行的性能，请修改src/main.cpp
如果你要测试GPU运行的性能，请修改src/main.cpp （需配置好OpenCL）DeviceType device = CPU;
DeviceType device = GPU;
PS：纯CPU C++推理模式比较耗时，需要几秒的时间，而开启OpenCL加速后，GPU模式耗时仅需十几毫秒，性能极大的提高。
（7）Demo测试效果
C++版本与Python版本的结果几乎是一致,下面是面部表情识别效果展示（其中不同表情用不同颜色表示了）
5.项目源码下载
C++实现表情识别项目源码下载地址：面部表情识别4：C++实现表情识别(含源码，可实时检测)
整套项目源码内容包含：
提供C/C++版本的人脸检测模型提供C/C++版本的面部表情分类模型C++源码支持CPU和GPU，开启GPU(OpenCL)可以实时检测和识别（纯CPU推理速度很慢，模型加速需要配置好OpenCL，GPU推理约15ms左右）项目配置好了base-utils和TNN，而OpenCV和OpenCL需要自行编译安装C/C++Demo支持图片，视频，摄像头测试
Android面部表情识别APP Demo体验：/download/guyuealian/87575425
或者链接: /s/16OOi-qCENP4WbIeSzO5e9g 提取码: cs5g
如果你需要面部表情识别的训练代码，请参考：《面部表情识别2：Pytorch实现表情识别(含表情识别数据集和训练代码)》面部表情识别2：Pytorch实现表情识别(含表情识别数据集和训练代码)_AI吃大瓜的博客-CSDN博客
如果觉得《面部表情识别4：C++实现表情识别(含源码 可实时检测)》对你有帮助，请点赞、收藏，并留下你的观点哦！
