opencv人脸识别效果好吗(通过opencv制作人脸识别的窗口)
opencv人脸识别效果好吗
通过opencv制作人脸识别的窗口
人脸检测,看似要使用深度学习,觉得很高大牛逼,其实通过opencv就可以制作人脸识别的窗口。
今天,Runsen教大家将构建一个简单的Python脚本来处理图像中的人脸,使在OpenCV库中两种方法 。
首先,我们将使用haar级联分类器,这对初学者来说是一种简单的方法(也不太准确),也是最方便的方法。
其次是单发多盒检测器(或简称SSD),这是一种深度神经网络检测图像中对象的方法。
使用Haar级联进行人脸检测
基于haar特征的级联分类器的,OpenCV已经为我们提供了一些分类器参数,因此我们无需训练任何模型,直接使用。
opencv的安装
- pip install opencv-python
我们首先导入OpenCV:
- import cv2
下面对示例图像进行测试,我找来了我学校的两个漂亮美女的图像:
- image = cv2.imread("beauty.jpg" alt="opencv人脸识别效果好吗(通过opencv制作人脸识别的窗口)" border="0" />)
函数imread()从指定的文件加载图像,并将其作为numpy的 N维数组返回。
在检测图像中的面部之前,我们首先需要将图像转换为灰度图:
- image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
下面,因为要初始化人脸识别器(默认的人脸haar级联),需要下载对应的参数xml文件,
这里选择最初的haarcascade_frontalface_default.xml
下面代码就是加载使用人脸识别器
- face_cascade = cv2.CascadeClassifier("haarcascade_fontalface_default.xml")
现在让我们检测图像中的所有面孔:
- # 检测图像中的所有人脸
- faces = face_cascade.detectMultiScale(image_gray)
- print(f"{len(faces)} faces detected in the image.")
detectMultiScale() 函数将图像作为参数并将不同大小的对象检测为矩形列表,因此我们绘制矩形,同样有rectangle方法提供
- #为每个人脸绘制一个蓝色矩形
- for x, y, width, height in faces:
- # 这里的color是 蓝 黄 红,与rgb相反,thickness设置宽度
- cv2.rectangle(image, (x, y), (x + width, y + height), color=(255, 0, 0), thickness=2)
最后,让我们保存新图像:
- cv2.imwrite("beauty_detected.jpg" alt="opencv人脸识别效果好吗(通过opencv制作人脸识别的窗口)" border="0" />, image)
基于haar特征的级联分类器的结果图
我们惊奇的发现图片1是没有设备出来的,这是因为存在障碍物,
我们惊奇的发现图片2是竟然设别出来了两个窗口。
Haar级联结合摄像头
使用Haar级联进行人脸检测可以说是opencv最基础的效果,下面我们利用摄像头将Haar级联进行合并,这样就可以达到开头的效果。
- import cv2
- #创建新的cam对象
- cap = cv2.VideoCapture(0)
- #初始化人脸识别器(默认的人脸haar级联)
- face_cascade = cv2.CascadeClassifier("haarcascade_fontalface_default.xml")
- while True:
- # 从摄像头读取图像
- _, image = cap.read()
- # 转换为灰度
- image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
- # 检测图像中的所有人脸
- faces = face_cascade.detectMultiScale(image_gray, 1.3, 5)
- # 为每个人脸绘制一个蓝色矩形
- for x, y, width, height in faces:
- cv2.rectangle(image, (x, y), (x + width, y + height), color=(255, 0, 0), thickness=2)
- cv2.imshow("image", image)
- if cv2.waitKey(1) == ord("q"):
- break
- cap.release()
- cv2.destroyAllWindows()
使用SSD的人脸检测
上面的效果是已经过时了,但是OpenCV为我们提供了包装中dnn模块cv2,从而可以直接加载经过预训练的深度学习模型。
2015年底有人提出了一个实时对象检测网络Single Shot MultiBox Detector缩写为SSD
SSD对象检测的Model
SSD对象检测网络简单说可以分为三个部分:
- 基础网络(backbone) 这里为VGG16
- 特征提取Neck,构建多尺度特征
- 检测头 – 非最大抑制与输出
要开始使用SSD在OpenCV中,需要下载RESNET人脸检测模型和其预训练的权重,然后将其保存到代码weights工作目录:
RESNET人脸检测模型和权重
- import cv2
- import numpy as np
- # 下载链接:https://raw.githubusercontent.com/opencv/opencv/master/samples/dnn/face_detector/deploy.prototxt
- prototxt_path = "weights/deploy.prototxt.txt"
- # 下载链接:https://raw.githubusercontent.com/opencv/opencv_3rdparty/dnn_samples_face_detector_20180205_fp16/res10_300x300_ssd_iter_140000_fp16.caffemodel
- model_path = "weights/res10_300x300_ssd_iter_140000_fp16.caffemodel"
- # 加载Caffe model
- model = cv2.dnn.readNetFromCaffe(prototxt_path, model_path)
- # 读取所需图像
- image = cv2.imread("beauty.jpg" alt="opencv人脸识别效果好吗(通过opencv制作人脸识别的窗口)" border="0" />)
- # 获取图像的宽度和高度
- h, w = image.shape[:2]
现在,需要这个图像传递到神经网络中,由于下载的模型是(300, 300) px的。
因此,我们需要将图像调整为的(300, 300)px形状:
- # 预处理图像:调整大小并执行平均减法。104.0, 177.0, 123.0 表示b通道的值-104,g-177,r-123
- # 在深度学习中通过减去数人脸据集的图像均值而不是当前图像均值来对图像进行归一化,因此这里写死了
- blob = cv2.dnn.blobFromImage(image, 1.0, (300, 300),(104.0, 177.0, 123.0))
将此blob对象用作神经网络的输入,获取检测到的面部:
- # 将图像输入神经网络
- model.setInput(blob)
- # 得到结果
- output = np.squeeze(model.forward())
输出对象output 具有所有检测到的对象,在这种情况下一般都是人脸,让我们遍历output,并在取一个置信度大于50%的判断条件:
- font_scale = 1.0
- # output.shape ==(200, 7)
- for i in range(0, output.shape[0]):
- # 置信度
- confidence = output[i, 2]
- # 如果置信度高于50%,则绘制周围的方框
- if confidence > 0.5:
- # 之前将图片变成300*300,接下来提取检测到的对象的模型的置信度后,我们得到周围的框 output[i, 3:7],然后将其width与height原始图像的和相乘,以获得正确的框坐标
- box = output[i, 3:7] * np.array([w, h, w, h])
- # 转换为整数
- start_x, start_y, end_x, end_y = box.astype(np.int)
- # 绘制矩形
- cv2.rectangle(image, (start_x, start_y), (end_x, end_y), color=(255, 0, 0), thickness=2)
- # 添加文本
- cv2.putText(image, f"{confidence*100:.2f}%", (start_x, start_y-5), cv2.FONT_HERSHEY_SIMPLEX, font_scale, (255, 0, 0), 2)
最后我们展示并保存新图像:
- cv2.imshow("image", image)
- cv2.waitKey(0)
- cv2.imwrite("beauty_detected.jpg" alt="opencv人脸识别效果好吗(通过opencv制作人脸识别的窗口)" border="0" />, image)
下面是完整代码
- import cv2
- import numpy as np
- # 下载链接:https://raw.githubusercontent.com/opencv/opencv/master/samples/dnn/face_detector/deploy.prototxt
- prototxt_path = "weights/deploy.prototxt.txt"
- # 下载链接:https://raw.githubusercontent.com/opencv/opencv_3rdparty/dnn_samples_face_detector_20180205_fp16/res10_300x300_ssd_iter_140000_fp16.caffemodel
- model_path = "weights/res10_300x300_ssd_iter_140000_fp16.caffemodel"
- model = cv2.dnn.readNetFromCaffe(prototxt_path, model_path)
- image = cv2.imread("beauty.jpg" alt="opencv人脸识别效果好吗(通过opencv制作人脸识别的窗口)" border="0" />)
- h, w = image.shape[:2]
- blob = cv2.dnn.blobFromImage(image, 1.0, (300, 300),(104.0, 177.0, 123.0))
- model.setInput(blob)
- output = np.squeeze(model.forward())
- font_scale = 1.0
- for i in range(0, output.shape[0]):
- confidence = output[i, 2]
- if confidence > 0.5:
- box = output[i, 3:7] * np.array([w, h, w, h])
- start_x, start_y, end_x, end_y = box.astype(np.int)
- cv2.rectangle(image, (start_x, start_y), (end_x, end_y), color=(255, 0, 0), thickness=2)
- cv2.putText(image, f"{confidence*100:.2f}%", (start_x, start_y-5), cv2.FONT_HERSHEY_SIMPLEX, font_scale, (255, 0, 0), 2)
- cv2.imshow("image", image)
- cv2.waitKey(0)
- cv2.imwrite("beauty_detected.jpg" alt="opencv人脸识别效果好吗(通过opencv制作人脸识别的窗口)" border="0" />, image)
SSD结合摄像头的人脸检测
SSD结合摄像头的人脸检测方法更好,更准确,但是每秒传输帧数FPS方面可能低,因为它不如Haar级联方法快,但这问题并不大。
下面是SSD结合摄像头的人脸检测的全部代码
- import cv2
- import numpy as np
- prototxt_path = "weights/deploy.prototxt.txt"
- model_path = "weights/res10_300x300_ssd_iter_140000_fp16.caffemodel"
- model = cv2.dnn.readNetFromCaffe(prototxt_path, model_path)
- cap = cv2.VideoCapture(0)
- while True:
- _, image = cap.read()
- h, w = image.shape[:2]
- blob = cv2.dnn.blobFromImage(image, 1.0, (300, 300), (104.0, 177.0, 123.0))
- model.setInput(blob)
- output = np.squeeze(model.forward())
- font_scale = 1.0
- for i in range(0, output.shape[0]):
- confidence = output[i, 2]
- if confidence > 0.5:
- box = output[i, 3:7] * np.array([w, h, w, h])
- start_x, start_y, end_x, end_y = box.astype(np.int)
- cv2.rectangle(image, (start_x, start_y), (end_x, end_y), color=(255, 0, 0), thickness=2)
- cv2.putText(image, f"{confidence*100:.2f}%", (start_x, start_y-5), cv2.FONT_HERSHEY_SIMPLEX, font_scale, (255, 0, 0), 2)
- cv2.imshow("image", image)
- if cv2.waitKey(1) == ord("q"):
- break
- cv2.destroyAllWindows()
- cap.release()
原文链接:https://mp.weixin.qq.com/s/GLW19PdLIA5gdp75DSsghw
- python3.9.6生成的注册表(厉害了,Python也能操作注册表)
- python 怎么解析中文(Python中一般处理中文的几种方法)
- python3爬虫实例代码(python3通过selenium爬虫获取到dj商品的实例代码)
- pythonqt入门教程(使用python实现mqtt的发布和订阅)
- python多线程多进程运行场景(Python多线程同步---文件读写控制方法)
- python json转换字符串(python3 json数据格式的转换dumps/loads的使用、dict to str/str to dict、json字符串/字典)
- python拖动选择文件操作(python通过paramiko复制远程文件及文件目录到本地)
- python学生管理系统设计代码(python学生管理系统开发)
- python编程ai人工智能(AI领域都在用Python即将被淘汰?网友预测未来的编程语言不会是TA)
- python3json序列化(Python3.5 Json与pickle实现数据序列化与反序列化操作示例)
- python中比较同一字典value(在Python 字典中一键对应多个值的实例)
- python做学生成绩系统(python学生管理系统)
- python使用门算法加密文件(python实现栅栏加解密 支持密钥加密)
- python基本数据结构(浅谈Python编程中3个常用的数据结构和算法)
- python实现的数据结构(Python嵌套式数据结构实例浅析)
- python 多进程读取文件(Python实现的多进程拷贝文件并显示百分比功能示例)
- 美国数十万加仑牛奶倒下水道怎么回事 原因曝光令人心痛(美国数十万加仑牛奶倒下水道怎么回事)
- 探索中国神秘文字(探索中国神秘文字)
- 重温《蜗居》 宋思明选中海藻为红颜知己,纯属巧合,与爱无关(宋思明选中海藻为红颜知己)
- 越南旅游攻略(越南旅游攻略自由行)
- 成都旅游攻略(成都旅游攻略自由行最佳线路)
- 给儿童吃什么最好(给儿童吃什么最好消化)
热门推荐
- mysqldump 命令详解(mysqldump你可能不知道的参数)
- flex布局小技巧(详解flex实现左右布局中按钮溢出隐藏效果)
- react 查看word文件(React实现导入导出Excel文件)
- vue实现双向绑定原理(vue实现双向数据绑定)
- docker的安装部署(Docker快速安装Zookeeper的详细教程)
- 虚拟主机管理系统干什么用(五大免费主机管理系统优缺点对比及推荐)
- dedecms提示怎么去除(DEDECMS实现禁止游客发表评论)
- php消息队列redis(redis+php实现微博二发布与关注功能详解)
- js页面跳转的几种代码
- nginx反向代理流程详解(本地通过nginx配置反向代理的全过程记录)
排行榜
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9