眾所周知，人臉識別是計算機(jī)視覺應(yīng)用的一個重大領(lǐng)域，在學(xué)習(xí)人臉識別之前，我們先來簡單學(xué)習(xí)下人臉檢測的幾種用法。

常見的人臉檢測方法大致有5種，Haar、Hog、CNN、SSD、MTCNN：

注：本文章圖片來源于網(wǎng)絡(luò)

相關(guān)構(gòu)造檢測器的文件：opencv/data at master · opencv/opencv · GitHub

基本步驟

讀入圖片

構(gòu)造檢測器

獲取檢測結(jié)果

解析檢測結(jié)果

一、Haar

# 調(diào)整參數(shù) img = cv2.imread('./images/001.jpg') cv_show('img',img)# 構(gòu)造harr檢測器 face_detector = cv2.CascadeClassifier('./weights/haarcascade_frontalface_default.xml')# 轉(zhuǎn)為灰度圖 img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) plt.imshow(img_gray,'gray')# 檢測結(jié)果 上圖4個人臉?biāo)?個方框坐標(biāo) # image # scaleFactor控制人臉尺寸 默認(rèn)1.1 detections = face_detector.detectMultiScale(img_gray,scaleFactor=1.3)# 解析 for x,y,w,h in detections:cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0)) plt.imshow(cv2.cvtColor(img,cv2.COLOR_BGR2RGB))

# 調(diào)整參數(shù) img = cv2.imread('./images/004.jpeg') cv_show('img',img)# 構(gòu)造harr檢測器 face_detector = cv2.CascadeClassifier('./weights/haarcascade_frontalface_default.xml')# 轉(zhuǎn)為灰度圖 img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) plt.imshow(img_gray,'gray')# 檢測結(jié)果 上圖4個人臉?biāo)?個方框坐標(biāo) # image # scaleFactor控制人臉尺寸 默認(rèn)1.1 # minNeighbors 確定一個人臉框至少要有n個候選值 越高 質(zhì)量越好 # [, flags[, # minSize maxSize 人臉框的最大最小尺寸 如minSize=(40,40) detections = face_detector.detectMultiScale(img_gray,scaleFactor=1.2, minNeighbors=10)# 在質(zhì)量和數(shù)量上平衡# 解析 for x,y,w,h in detections:cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0)) plt.imshow(cv2.cvtColor(img,cv2.COLOR_BGR2RGB))

?

上述過程中：

• scaleFactor參數(shù)：用來控制人臉框的大小，可以用它來排除一些錯誤檢測；?
• minNeighbors參數(shù)：我們給人臉框起來的時候，一般一張臉會框許多的框，假如這張臉框得越多，說明質(zhì)量越好，越是一張正確的“臉”。

二、Hog

對于第一次使用這個功能的同學(xué)，要提前下載一下dlib。

import dlib# 構(gòu)造HOG人臉檢測器 不需要參數(shù) hog_face_detetor = dlib.get_frontal_face_detector()# 檢測人臉獲取數(shù)據(jù) # img # scale類似haar的scalFactor detections = hog_face_detetor(img,1)# 解析獲取的數(shù)據(jù) 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# 構(gòu)造CNN人臉檢測器 cnn_face_detector = dlib.cnn_face_detection_model_v1("./weights/mmod_human_face_detector.dat")# 檢測人臉 參數(shù)與上一種相似 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))

通過神經(jīng)網(wǎng)絡(luò)完成，這個過程中我們還可以查看每張臉檢測時的置信度。

?

四、SSD

# 加載模型 face_detector = cv2.dnn.readNetFromCaffe('./weights/deploy.prototxt.txt','./weights/res10_300x300_ssd_iter_140000.caffemodel')# 原圖尺寸 img_height = img.shape[0] img_width = img.shape[1]# 放縮至輸入尺寸 img_resized = cv2.resize(img,(500,300)) # 轉(zhuǎn)為2進(jìn)制 img_blob = cv2.dnn.blobFromImage(img_resized,1.0,(500,300),(104.0,177.0,123.0))# 輸入 face_detector.setInput(img_blob)# 推理 detections = face_detector.forward()

此時

detections.shape # (1, 1, 200, 7)

說明有200個結(jié)果，后面的7則是我們做需要的一些數(shù)據(jù)，繼續(xù)如下：

# 查看人臉數(shù)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]# 通過置信度篩選if detections_confidence > 0.15:# 位置 乘以寬高恢復(fù)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')# 繪制cv2.rectangle(img_copy,(lx,ly),(rx,ry),(0,255,0),2)plt.imshow(cv2.cvtColor(img_copy,cv2.COLOR_BGR2RGB))

?

五、MTCNN

# 導(dǎo)入MTCNN from mtcnn.mtcnn import MTCNN# 記載模型 face_detetor = MTCNN()# 檢測人臉 detections = face_detetor.detect_faces(img_cvt) for face in detections:x,y,w,h = face['box']cv2.rectangle(img_cvt,(x,y),(x+w,y+h),(0,255,0),2) plt.imshow(img_cvt)

?

對比

	優(yōu)勢	劣勢
Haar	速度最快、清涼、適合算力較小的設(shè)備	準(zhǔn)確度低、偶爾誤報、無旋轉(zhuǎn)不變性
HOG+Dlib	比Haar準(zhǔn)確率高	速度比Haar低，計算量大、無旋轉(zhuǎn)不變性、Dlib兼容性問題
SSD	比Haar和hog準(zhǔn)確率高、深度學(xué)習(xí)、大小一般	低光照片準(zhǔn)確率低，受膚色影響。
CNN	最準(zhǔn)確、誤報率低、輕量	相對于其他方法慢、計算量大、Dlib兼容性問題

總結(jié)

以上是生活随笔為你收集整理的人脸检测5种方法的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。