【计算机视觉|【人脸检测】基于OpenCV和Face_Recognition实现人脸检测】目录
一、人脸区域检测
(一)基于OpenCV
(二) 基于Dlib+Face_Recognition
二、人脸特征点检测
一、人脸区域检测
(一)基于OpenCV
首先,我们需要安装OpenCV。徽标键(win)+R键打开运行窗口,输入cmd打开命令提示符,键入如下命令来安装。第一种方法速度可能比较慢,推荐使用第二种清华开源的方法。
pip install opencv-python
// 或者
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-python
安装好之后可以在Python中导入,并查看版本号。我这里显示安装的是4.5.5版本。
文章图片
接着,我们需要找到安装好的分类器的位置。首先通过键入 where python 来查看自己的Python路径。可以看到我这里不仅有原装的Python,还有Anaconda下的Python。
文章图片
然后我们在如下路径中找到haarcascade_frontalface_default.xml分类器。
'Python路径下/Lib/site-packages/cv2/data/haarcascade_frontalface_default.xml'通过查找可以发现,我的分类器放在了"D:/Anaconda/Lib/site-packages/cv2/data/haarcascade_frontalface_default.xml"之中,如下图所示。
文章图片
我们可以通过Python、Pycharm、Jupyter等多种编辑器写代码,在这里我选择了Jupyter。在Jupyter中键入以下代码:
import cv2def detect(filename):
## 创建一个级联分类器,加载一个 .xml文件
# 这里路径替换成自己的'Python路径下/Lib/site-packages/cv2/data/haarcascade_frontalface_default.xml'
face_cascade = cv2.CascadeClassifier('D:/Anaconda/Lib/site-packages/cv2/data/haarcascade_frontalface_default.xml')# 加载图像
img = cv2.imread(filename)
# 转换为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 使用上面创建的分类器来检测人脸,faces为识别出脸部的矩形框向量组,几张脸就有几个矩形框,向量组里就有几组向量,保存人脸的坐标和大小。
faces = face_cascade.detectMultiScale(gray, 1.3, 5)
# scaleFactor表示人脸检测过程中每次迭代时图片的压缩率(1.3)
# minNeighbors:每个人脸矩形保留近邻数目的最小值(5)
# 在原图上绘制矩形
# 遍历faces矩形框向量组里每一组矩形(即每一张脸)
for (x, y, w, h) in faces:
# 通过坐标绘制矩形,x,y是左上?坐标;w,h分别是宽度和高度
# 参数:图片,?方形框左上?坐标, ?方形框右下?坐标,字体颜色,字体粗细)
img = cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)
# 其中参数的含义:(255, 0, 0)表示颜色, 2表示线条粗细
cv2.imshow('Person Detected!', img)
cv2.waitKey(0)
cv2.destroyAllWindows()if __name__ == '__main__':
detect('test.jpg')
# 将图片与代码放在同一路径下
我们以这张图为例,测试一下代码。
文章图片
效果如下:
我们会发现虽然识别出了人脸,但它并没有精确地把所有人脸都识别出来。这是因为图片中人物过多、人脸角度不同、尺寸不同等都可能影响到识别的精度。
此外,我们还可以使用"Python路径下/Lib/site-packages/cv2/data/"中的其他分类器。如果把haarcascade_frontalface_default.xml替换为haarcascade_eye.xml,会有什么效果呢?大家自己试试看!
(二) 基于Dlib+Face_Recognition
Face_Recognition是一种准确度更高的人脸识别方法。首先,我们先安装所需要的包。除了上面安装好的Python、OpenCV外,我们还需要安装cmake、dlib和face_recognition,同样是在cmd中运行。
pip install cmake
pip install dlib
pip install face_recognition
如果dlib安装失败,可参考以下这篇文章。
Windows系统下通过本地whl或tar.gz文件安装dlib方法 - 知乎一、 为什么需要本地安装?因为直接采用pip install dlib指令在线安装dlib会反复出现编译不通过的情况,而本地安装不会面临这样的问题,所以在此介绍通过下载whl或tar.gz文件在本地安装dlib的方法。 二、 安装环境…
文章图片
https://zhuanlan.zhihu.com/p/464846060接下来,我们在Jupyter中键入以下代码:
import face_recognition
import cv2
# 加载图像文件(.jpg,.png等),返回的数据是Numpy数组,记录了图片的所有像素的特征向量
image = face_recognition.load_image_file("test.jpg")
# 定位图中所有的人脸的像素位置,返回值为列表形式,列表中每一行是一张人脸的位置信息,包括【top, right, bottom, left】这是一组元组。
face_locations_noCNN=face_recognition.face_locations(image)
# face_locations_useCNN =face_recognition.face_locations(image,model='cnn')
# A list of tuples of found face locations in css (top, right, bottom,left) order
# 因为返回值的顺序是这样子的,因此在后面的for循环里面赋值要注意按这个顺序来print("face_location_noCNN:")
print(face_locations_noCNN)
face_num2=len(face_locations_noCNN)
print(face_num2)# The number of faces
# 到这里为止,可以观察两种情况的坐标和人脸数,一般来说,坐标会不一样,但是检测出来的人脸数应该是一样的
# 也就是说face_num1=face_num2;face_locations_useCNN和face_locations_noCNN不一样org = cv2.imread("test.jpg")
img = cv2.imread("test.jpg")
cv2.imshow("test.jpg",img)# 原始图片for i in range(0,face_num2):
top = face_locations_noCNN[i][0]
right = face_locations_noCNN[i][1]
bottom = face_locations_noCNN[i][2]
left = face_locations_noCNN[i][3]start = (left, top)
end = (right, bottom)color = (0,255,255)
thickness = 2
# 参数:图片,?方形框左上?坐标, ?方形框右下?坐标,字体颜色,字体粗细)
cv2.rectangle(org, start, end, color, thickness)cv2.imshow("no cnn ",org)
cv2.waitKey(0)
cv2.destroyAllWindows()
运行一下看看会有什么效果!输出结果如下:
face_location_noCNN:
[(94, 328, 137, 285), (98, 477, 142, 434), (108, 204, 151, 160), (177, 543, 239, 481), (90, 625, 141, 573), (188, 394, 239, 343), (205, 152, 257, 101), (184, 688, 246, 626), (188, 256, 239, 204)]
9
(这里的9代表识别出9张人脸)
效果图:
和OpenCV比,Face_Recognition识别人脸的准确度明显提高!
二、人脸特征点检测 Dlib有专门的函数和模型,能够实现人脸68个特征点的定位。支持更加精确的标定点。标定点分为68点和5点,可以圈出面部眼鼻嘴的位置。
首先需要下载预训练模型shape_predictor_68_face_landmarks.dat和shape_predictor_5_face_landmarks.dat,并将这两个包放在python路径下的site-packages里(记得解压喔!)
链接:https://pan.baidu.com/s/1Pl8m2pNm84JZsCawrCFjsA?pwd=4px3接下来,我们在Jupyter中键入以下代码:
提取码:4px3
import cv2
import dlibpath = "test.jpg"
# 读取图片
img = cv2.imread(path)
# 灰度化处理
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 获得脸部位置检测器
detector = dlib.get_frontal_face_detector()
# 初步人脸检测,框出矩形。返回值是,即一个矩形,表示为能够唯一表示这个人脸矩形框两个点坐标:左上?(x1,y1)、右下?(x2,y2)
dets = detector(gray, 1)
# 使用模型构建特征提取器,返回5/68个特征点的位置
# 此处路径是自己的python路径下site-packages位置
predictor =dlib.shape_predictor(r"D:/Anaconda/Lib/site-packages/shape_predictor_68_face_landmarks.dat")
for face in dets:
shape = predictor(img, face) # 寻找人脸的68个标定点
# 遍历所有点,打印出其坐标,并圈出来
# shape.parts() 类型为_dlib_pybind11.points,可返回检测到的关键点的位置坐标
for pt in shape.parts():
pt_pos = (pt.x, pt.y)
# 参数:图片,圆心, 半径,字体颜色,字体粗细)
cv2.circle(img, pt_pos, 2, (0, 255, 0), 1)
cv2.imshow("image", img)cv2.waitKey(0)
cv2.destroyAllWindows()
效果如下:
如果我们使用shape_predictor_5_face_landmarks.dat,效果如下所示:
推荐阅读
- SfM|猿创征文|SfM(Structure from Motion)学习之路
- YOLOv5|基于改进YOLOv5轻量化的烟火检测
- 机器视觉|工业检测深度学习方法综述
- 缺陷检测|汇总 | 深度学习实现缺陷检测方法
- YOLOv7|YOLOv7 训练报错 IndexError: list index out of range
- #|AI-无损检测方向速读(基于深度学习的表面缺陷检测方法综述)
- 算法|使用U-Nets和深度学习进行自动缺陷检查
- 算法|总结|深度学习实现缺陷检测
- Machine|【下降算法】最速下降法、Newton法、共轭梯度法