微信公众号：OpenCV学堂 关注获取更多计算机视觉与深度学习知识
关于模型
OpenVINO自带的表情识别模型是Caffe版本的，这里使用的模型是前面一篇文章中训练生成的pytorch全卷积网络，模型基于残差网络结构全卷积分类网络。
代码语言：javascript复制输入格式：NCHW=1x3x64x64
输出格式：NCHW=1x8x1x1支持八种表情识别，列表如下：
代码语言：javascript复制["neutral","anger","disdain","disgust","fear","happy",
"sadness","surprise"]转ONNX
训练好的Pytorch模型可以保存为pt文件，通过pytorch自带的脚本可以转换为ONNX模型，这一步的转换脚本如下：
代码语言：javascript复制dummy_input = torch.randn(1, 3, 64, 64, device='cuda')
model = torch.load("./face_emotions_model.pt")
output = model(dummy_input)
model.eval()
model.cuda()
torch.onnx.export(model, dummy_input, "face_emotions_model.onnx", output_names={"output"}, verbose=True)
OpenCV DNN调用ONNX模型测试
转换为ONNX格式的模型，是可以通过OpenCV DNN模块直接调用的，调用方式如下：
代码语言：javascript复制 1landmark_net = cv.dnn.readNetFromONNX("landmarks_cnn.onnx")
2image = cv.imread("D:/facedb/test/464.jpg")
3cv.imshow("input", image)
4h, w, c = image.shape
5blob = cv.dnn.blobFromImage(image, 0.00392, (64, 64), (0.5, 0.5, 0.5), False) / 0.5
6print(blob)
7landmark_net.setInput(blob)
8lm_pts = landmark_net.forward()
9print(lm_pts)
10for x, y in lm_pts:
11 print(x, y)
12 x1 = x * w
13 y1 = y * h
14 cv.circle(image, (np.int32(x1), np.int32(y1)), 2, (0, 0, 255), 2, 8, 0)
15cv.imshow("人脸五点检测", image)
16cv.imwrite("D:/landmark_det_result.png", image)
17cv.waitKey(0)
18cv.destroyAllWindows()运行结果如下：
ONNX转IR
如何把ONNX文件转换OpenVINO的IR文件？答案是借助OpenVINO的模型优化器组件工具，OpenVINO的模型优化器组件工具支持常见的Pytorch预训练模型与torchvision迁移训练模型的转换，
要转换ONNX到IR，首先需要安装ONNX组件支持，直接运行OpenVINO预安装脚本即可获得支持，截图如下：
然后执行下面的转换脚本即可：
不用怀疑了，转换成功！
加速推理
使用OpenVINO的Inference Engine加速推理，对得到的模型通过OpenVINO安装包自带的OpenCV DNN完成调用，设置加速推理引擎为Inference Engine，这部分的代码如下：
代码语言：javascript复制1dnn::Net emtion_net = readNetFromModelOptimizer(emotion_xml, emotion_bin);
2emtion_net.setPreferableTarget(DNN_TARGET_CPU);
3emtion_net.setPreferableBackend(DNN_BACKEND_INFERENCE_ENGINE);其中readNetFromModelOptimizer表示使用OpenVINO模型优化器来加载文件，并使用inference engine执行加速推理。
执行推理与输出解析，得到表情分类的结果，代码如下：
代码语言：javascript复制 1Rect box(x1, y1, x2 - x1, y2 - y1);
2Mat roi = frame(box);
3Mat face_blob = blobFromImage(roi, 0.00392, Size(64, 64), Scalar(0.5, 0.5, 0.5), false, false);
4emtion_net.setInput(face_blob);
5Mat probs = emtion_net.forward();
6int index = 0;
7float max = -1;
8for (int i = 0; i < 8; i ) {
9 const float *scores = probs.ptr<float>(0, i, 0);
10 float score = scores[0];
11 if (max < score) {
12 max = score;
13 index = i;
14 }
15}
16rectangle(frame, box, Scalar(0, 255, 0));最终的运行结果如下图：
