一、问题来源
最近做人脸识别项目，想只用OpenCV自带的人脸检测和识别模块实现，使用OpenCV传统方法：Haar级联分类器人脸检测+LBPH算法人脸识别的教程已经有了，于是想着用OpenCV中的dnn模块来实现，dnn实现人脸检测也有（详细教程可见我的这篇博客https://blog.csdn.net/weixin_42149550/article/details/131474284），问题就是基于cnn的人脸识别咋用opencv的dnn模块实现？一番搜索，发现OpenCV的dnn模块在加载YuNet模型时会报错
从官网下载的模型文件:
python
# 加载人脸检测模型
faceDetector = cv2.FaceDetectorYN.create('./opencvmodels/yunet.onnx', '', (320, 320))
# 加载人脸识别模型
faceRecognizer = cv2.FaceRecognizerSF_create(model='./opencvmodels/face_recognizer_fast.onnx', config='')yunet模型加载会报错，face_recognizer_fast加载没有问题
报错提示：
重点看最后一句话：
error: (-215:Assertion failed) !isDynamicShape in function 'cv::dnn::dnn4_v20221220::ONNXImporter::parseShape'
这句报错是说加载的onnx模型是动态的，但是OpenCV的cv2.FaceDetectorYN.create()不支持加载动态的模型，这里的动态指的是模型没有指定固定的输入参数。
我们通过netron（https://netron.app/）来查看yunet.onnx的模型结构（部分）
从图中可以看到，官网上下载的模型结构batch_size，height，width都是未知的，这在OpenCV中是不支持的，虽然问题知道了，但是在网上查了几天都没找到解决办法！！！
PS：遇到bug真的不能陷进去，放一放，平静一下，第二天说不定就能解决了
二、解决办法
非常感谢这几篇文章，让我对onnx模型有了更多的了解，最后终于摸索出来（把自己给感动了）
如何修改已有的ONNX模型 https://tool.4xseo.com/a/15892.html
模型部署入门教程（五）：ONNX 模型的修改与调试
https://zhuanlan.zhihu.com/p/516920606?utm_medium=social\&utm_oi=800114666985648128\&utm_id=0
官网讨论
https://github.com/opencv/opencv/issues/23288
先看onnx解释：
ONNX 在底层是用 Protobuf 定义的。Protobuf，全称 Protocol Buffer，是 Google 提出的一套表示和序列化数据的机制。使用 Protobuf 时，用户需要先写一份数据定义文件，再根据这份定义文件把数据存储进一份二进制文件。可以说，数据定义文件就是数据类，二进制文件就是数据类的实例。
神经网络本质上是一个计算图。计算图的节点是算子，边是参与运算的张量。而通过可视化 ONNX 模型，我们知道 ONNX 记录了所有算子节点的属性信息，并把参与运算的张量信息存储在算子节点的输入输出信息中。事实上，ONNX 模型的结构可以用类图大致表示如下：
我们把yunet.onnx模型先加载进来
python
# 使用onnx模块
model = onnx.load('./opencvmodels/yunet.onnx')
onnx.checker.check_model(model) # 验证Onnx模型是否准确通过验证说明OpenCV提供的onnx模型是没有问题的。
接着我们打印出yunet的计算图
python
# 计算图太大了
print(model.graph)
可以看到initializer中储存了一个节点的数据信息，其中的名字name都是跟netron中看到的一一对应，因为数据太多了，看不全，我们只把计算图的ninput输入部分打印出来，看看是怎么样的
python
print(model.graph.input)name: "input" type { tensor_type { elem_type: 1 shape { dim { dim_param: "batch_size" } dim { dim_value: 3 } dim { dim_param: "height" } dim { dim_param: "width" } } } }
可以看到输入结构在onnx中是一个可迭代的列表容器，包含了name名字，type类型，type中又定义了输入的维度，现在的思路就是要把shape中的dim_param: "height"和dim_param: "width"换成固定的值即dim_value，我们一层一层来打印：
python
for input_node in model.graph.input:
print(input_node)name: "input"
type {
tensor_type {
elem_type: 1
shape {
dim {
dim_param: "batch_size"
}
dim {
dim_value: 3
}
dim {
dim_param: "height"
}
dim {
dim_param: "width"
}
}
}
}
我们遍历输入结构，可以看到外层的括号去掉了，我们接着向下层索引：
python
for input_node in model.graph.input:
print(input_node.type)tensor_type {
elem_type: 1
shape {
dim {
dim_param: "batch_size"
}
dim {
dim_value: 3
}
dim {
dim_param: "height"
}
dim {
dim_param: "width"
}
}
}
python
for input_node in model.graph.input:
print(input_node.type.tensor_type.shape)dim {
dim_param: "batch_size"
}
dim {
dim_value: 3
}
dim {
dim_param: "height"
}
dim {
dim_param: "width"
}
那么思路就有了，我们只要索引到dim这一层，然后把其中的dim_param: "height"和dim_param: "width"替换成固定的dim_value: 320就可以了
python
for input_node in model.graph.input:
# print(input_node.type.tensor_type.shape)
input_node.type.tensor_type.shape.dim[2].dim_value = 320
input_node.type.tensor_type.shape.dim[3].dim_value = 320
print(input_node.type.tensor_type.shape)想要的结果出现了！！！
dim {
dim_param: "batch_size"
}
dim {
dim_value: 3
}
dim {
dim_value: 320
}
dim {
dim_value: 320
}
接下来我们重新验证模型有没有问题，然后将模型保存成新的模型
python
onnx.checker.check_model(model)
onnx.save(model, 'opencvmodels/new_yunet.onnx')我们重新在netron中查看一下模型结构
新的yunet模型的输入已经改成固定输入尺寸，下面我们来测试一下模型能不能用
python
recognize_net = cv2.dnn.readNetFromONNX('./opencvmodels/new_yunet.onnx')
dnn_faceDetector = cv2.FaceDetectorYN_create(model="./opencvmodels/new_yunet.onnx", config="", input_size=(320, 320))没有报错！！！ 呜呜呜~~~~
来看一下人脸识别效果
（借用彭于晏哥哥的照片）
人脸对齐
cv2.FaceDetectorYN还封装了人脸对齐，超级方便有木有
python
face1_align = faceRecognizer.alignCrop(image1, face1_detect[1])
人脸检测
检测的准确率很高！！
人脸匹配结果，判断出这是同一个人，这里使用了两种距离匹配方法：余弦距离和L2距离，结果一样。
大功告成！！！