网站出现用户名密码提示,自助网站免费注册,厦门百度代理公司,免费 网站 cms众所周知#xff0c;人脸识别是计算机视觉应用的一个重大领域#xff0c;在学习人脸识别之前#xff0c;我们先来简单学习下人脸检测的几种用法。 常见的人脸检测方法大致有5种#xff0c;Haar、Hog、CNN、SSD、MTCNN#xff1a;
相关构造检测器的文件#xff1a;opencv… 众所周知人脸识别是计算机视觉应用的一个重大领域在学习人脸识别之前我们先来简单学习下人脸检测的几种用法。 常见的人脸检测方法大致有5种Haar、Hog、CNN、SSD、MTCNN
相关构造检测器的文件opencv/data at master · opencv/opencv · GitHub
基本步骤
读入图片构造检测器获取检测结果解析检测结果
一、Haar
# 调整参数
img cv2.imread(./images/001.jpg)
cv_show(img,img)# 构造harr检测器
face_detector cv2.CascadeClassifier(./weights/haarcascade_frontalface_default.xml)# 转为灰度图
img_gray cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
plt.imshow(img_gray,gray)# 检测结果 上图4个人脸所以4个方框坐标
# image
# scaleFactor控制人脸尺寸 默认1.1
detections face_detector.detectMultiScale(img_gray,scaleFactor1.3)# 解析
for x,y,w,h in detections:cv2.rectangle(img,(x,y),(xw,yh),(0,255,0))
plt.imshow(cv2.cvtColor(img,cv2.COLOR_BGR2RGB))# 调整参数
img cv2.imread(./images/004.jpeg)
cv_show(img,img)# 构造harr检测器
face_detector cv2.CascadeClassifier(./weights/haarcascade_frontalface_default.xml)# 转为灰度图
img_gray cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
plt.imshow(img_gray,gray)# 检测结果 上图4个人脸所以4个方框坐标
# image
# scaleFactor控制人脸尺寸 默认1.1
# minNeighbors 确定一个人脸框至少要有n个候选值 越高 质量越好
# [, flags[,
# minSize maxSize 人脸框的最大最小尺寸 如minSize(40,40)
detections face_detector.detectMultiScale(img_gray,scaleFactor1.2, minNeighbors10)# 在质量和数量上平衡# 解析
for x,y,w,h in detections:cv2.rectangle(img,(x,y),(xw,yh),(0,255,0))
plt.imshow(cv2.cvtColor(img,cv2.COLOR_BGR2RGB))上述过程中
scaleFactor参数用来控制人脸框的大小可以用它来排除一些错误检测minNeighbors参数我们给人脸框起来的时候一般一张脸会框许多的框假如这张脸框得越多说明质量越好越是一张正确的“脸”。
二、Hog
对于第一次使用这个功能的同学要提前下载一下dlib
import dlib# 构造HOG人脸检测器 不需要参数
hog_face_detetor dlib.get_frontal_face_detector()# 检测人脸获取数据
# img
# scale类似haar的scalFactor
detections hog_face_detetor(img,1)# 解析获取的数据
for face in detections:# 左上角x face.left()y face.top()# 右下角r face.right()b face.bottom()cv2.rectangle(img,(x,y),(r,b),(0,255,0))
plt.imshow(cv2.cvtColor(img,cv2.COLOR_BGR2RGB))三、CNN
import dlib# 构造CNN人脸检测器
cnn_face_detector dlib.cnn_face_detection_model_v1(./weights/mmod_human_face_detector.dat)# 检测人脸 参数与上一种相似
detections cnn_face_detector(img,1)for face in detections:# 左上角x face.rect.left()y face.rect.top()# 右下角r face.rect.right()b face.rect.bottom()# 置信度c face.confidenceprint(c)cv2.rectangle(img,(x,y),(r,b),(0,255,0))plt.imshow(cv2.cvtColor(img,cv2.COLOR_BGR2RGB))通过神经网络完成这个过程中我们还可以查看每张脸检测时的置信度。 四、SSD
# 加载模型
face_detector cv2.dnn.readNetFromCaffe(./weights/deploy.prototxt.txt,./weights/res10_300x300_ssd_iter_140000.caffemodel)# 原图尺寸
img_height img.shape[0]
img_width img.shape[1]# 放缩至输入尺寸
img_resized cv2.resize(img,(500,300)) # 转为2进制
img_blob cv2.dnn.blobFromImage(img_resized,1.0,(500,300),(104.0,177.0,123.0))# 输入
face_detector.setInput(img_blob)# 推理
detections face_detector.forward()此时
detections.shape # (1, 1, 200, 7)说明有200个结果后面的7则是我们做需要的一些数据继续如下
# 查看人脸数量
num_of_detections detections.shape[2]img_copy img.copy()for index in range(num_of_detections):# 置信度detections_confidence detections[0,0,index,2]# 通过置信度筛选if detections_confidence 0.15:# 位置 乘以宽高恢复大小locations detections[0,0,index,3:7] * np.array([img_width,img_height,img_width,img_height])# 打印print(detections_confidence)lx,ly,rx,ry locations.astype(int)# 绘制cv2.rectangle(img_copy,(lx,ly),(rx,ry),(0,255,0),2)plt.imshow(cv2.cvtColor(img_copy,cv2.COLOR_BGR2RGB)) 五、MTCNN
# 导入MTCNN
from mtcnn.mtcnn import MTCNN# 记载模型
face_detetor MTCNN()# 检测人脸
detections face_detetor.detect_faces(img_cvt)
for face in detections:x,y,w,h face[box]cv2.rectangle(img_cvt,(x,y),(xw,yh),(0,255,0),2)
plt.imshow(img_cvt)对比
优势劣势Haar速度最快、清凉、适合算力较小的设备准确度低、偶尔误报、无旋转不变性HOGDlib比Haar准确率高速度比Haar低计算量大、无旋转不变性、Dlib兼容性问题SSD比Haar和hog准确率高、深度学习、大小一般低光照片准确率低受肤色影响。CNN最准确、误报率低、轻量相对于其他方法慢、计算量大、Dlib兼容性问题
