AI 助理
文档备案控制台
开发者社区 人工智能 文章 正文

[雪峰磁针石博客]计算机视觉opcencv工具深度学习快速实战1人脸识别

2018-11-19 2790
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
在线体验各类最新模型，更有模型 免费Token 额度领取！
立即体验
简介： 使用OpenCV提供的预先训练的深度学习面部检测器模型，可快速，准确的进行人脸识别。 2017年8月OpenCV 3.3正式发布，带来了高改进的“深度神经网络”(dnn deep neural networks)模块。

使用OpenCV提供的预先训练的深度学习面部检测器模型，可快速，准确的进行人脸识别。

2017年8月OpenCV 3.3正式发布，带来了高改进的“深度神经网络”(dnn deep neural networks)模块。该模块支持许多深度学习框架，包括Caffe，TensorFlow和Torch / PyTorch。

基于Caffe的面部检测器在这里。

需要两组文件：

  • 定义模型体系结构的.prototxt文件
  • .caffemodel文件，包含实际图层的权重

权重文件不包含在OpenCV示例目录。

OpenCV深度学习面部检测器如何工作？

图片.png

# 模型下载：https://itbooks.pipipan.com/fs/18113597-320346529
# 代码存放：https://github.com/china-testing/python-api-tesing/tree/master/opencv_crash_deep_learning
# 技术支持qq群144081101(代码和模型存放）
# USAGE
# python detect_faces.py --image rooster.jpg --prototxt deploy.prototxt.txt --model res10_300x300_ssd_iter_140000.caffemodel

# import the necessary packages
import numpy as np
import argparse
import cv2

# construct the argument parse and parse the arguments
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True,
    help="path to input image")
ap.add_argument("-p", "--prototxt", required=True,
    help="path to Caffe 'deploy' prototxt file")
ap.add_argument("-m", "--model", required=True,
    help="path to Caffe pre-trained model")
ap.add_argument("-c", "--confidence", type=float, default=0.5,
    help="minimum probability to filter weak detections")
args = vars(ap.parse_args())

# load our serialized model from disk
print("[INFO] loading model...")
net = cv2.dnn.readNetFromCaffe(args["prototxt"], args["model"])

# load the input image and construct an input blob for the image
# by resizing to a fixed 300x300 pixels and then normalizing it
image = cv2.imread(args["image"])
(h, w) = image.shape[:2]
blob = cv2.dnn.blobFromImage(cv2.resize(image, (300, 300)), 1.0,
    (300, 300), (104.0, 177.0, 123.0))

# pass the blob through the network and obtain the detections and
# predictions
print("[INFO] computing object detections...")
net.setInput(blob)
detections = net.forward()

# loop over the detections
for i in range(0, detections.shape[2]):
    # extract the confidence (i.e., probability) associated with the
    # prediction
    confidence = detections[0, 0, i, 2]

    # filter out weak detections by ensuring the `confidence` is
    # greater than the minimum confidence
    if confidence > args["confidence"]:
        # compute the (x, y)-coordinates of the bounding box for the
        # object
        box = detections[0, 0, i, 3:7] * np.array([w, h, w, h])
        (startX, startY, endX, endY) = box.astype("int")
 
        # draw the bounding box of the face along with the associated
        # probability
        text = "{:.2f}%".format(confidence * 100)
        y = startY - 10 if startY - 10 > 10 else startY + 10
        cv2.rectangle(image, (startX, startY), (endX, endY),
            (0, 0, 255), 2)
        cv2.putText(image, text, (startX, y),
            cv2.FONT_HERSHEY_SIMPLEX, 0.45, (0, 0, 255), 2)

# show the output image
cv2.imshow("Output", image)
cv2.waitKey(0)

执行：

$ python detect_faces.py --image rooster.jpg --prototxt deploy.prototxt.txt --model res10_300x300_ssd_iter_140000.caffemodel

图片.png

上面的面部有74.30％的置信度。 尽管OpenCV的Haar级联因缺少“直接”角度的面孔，但通过使用OpenCV的深度学习面部探测器，依然能够测到脸部。

再来看三个面孔的示例：

python detect_faces.py --image iron_chic.jpg --prototxt deploy.prototxt.txt --model res10_300x300_ssd_iter_140000.caffemodel

图片.png

视频，视频流和网络摄像头应用人脸检测

# USAGE
# python detect_faces_video.py --prototxt deploy.prototxt.txt --model res10_300x300_ssd_iter_140000.caffemodel

# import the necessary packages
from imutils.video import VideoStream
import numpy as np
import argparse
import imutils
import time
import cv2

# construct the argument parse and parse the arguments
ap = argparse.ArgumentParser()
ap.add_argument("-p", "--prototxt", required=True,
    help="path to Caffe 'deploy' prototxt file")
ap.add_argument("-m", "--model", required=True,
    help="path to Caffe pre-trained model")
ap.add_argument("-c", "--confidence", type=float, default=0.5,
    help="minimum probability to filter weak detections")
args = vars(ap.parse_args())

# load our serialized model from disk
print("[INFO] loading model...")
net = cv2.dnn.readNetFromCaffe(args["prototxt"], args["model"])

# initialize the video stream and allow the cammera sensor to warmup
print("[INFO] starting video stream...")
vs = VideoStream(src=0).start()
time.sleep(2.0)

# loop over the frames from the video stream
while True:
    # grab the frame from the threaded video stream and resize it
    # to have a maximum width of 400 pixels
    frame = vs.read()
    frame = imutils.resize(frame, width=400)
 
    # grab the frame dimensions and convert it to a blob
    (h, w) = frame.shape[:2]
    blob = cv2.dnn.blobFromImage(cv2.resize(frame, (300, 300)), 1.0,
        (300, 300), (104.0, 177.0, 123.0))
 
    # pass the blob through the network and obtain the detections and
    # predictions
    net.setInput(blob)
    detections = net.forward()

    # loop over the detections
    for i in range(0, detections.shape[2]):
        # extract the confidence (i.e., probability) associated with the
        # prediction
        confidence = detections[0, 0, i, 2]

        # filter out weak detections by ensuring the `confidence` is
        # greater than the minimum confidence
        if confidence < args["confidence"]:
            continue

        # compute the (x, y)-coordinates of the bounding box for the
        # object
        box = detections[0, 0, i, 3:7] * np.array([w, h, w, h])
        (startX, startY, endX, endY) = box.astype("int")
 
        # draw the bounding box of the face along with the associated
        # probability
        text = "{:.2f}%".format(confidence * 100)
        y = startY - 10 if startY - 10 > 10 else startY + 10
        cv2.rectangle(frame, (startX, startY), (endX, endY),
            (0, 0, 255), 2)
        cv2.putText(frame, text, (startX, y),
            cv2.FONT_HERSHEY_SIMPLEX, 0.45, (0, 0, 255), 2)

    # show the output frame
    cv2.imshow("Frame", frame)
    key = cv2.waitKey(1) & 0xFF
 
    # if the `q` key was pressed, break from the loop
    if key == ord("q"):
        break

# do a bit of cleanup
cv2.destroyAllWindows()
vs.stop()

执行：

python detect_faces_video.py --prototxt deploy.prototxt.txt --model res10_300x300_ssd_iter_140000.caffemodel

deep_learning_face_detection_opencv.gif

参考资料

其他python人脸识别库介绍

python库介绍-face_recognition 人脸识别

可以命令识别人脸框。

$ face_detection --model cnn iron_chic.jpg 
iron_chic.jpg,79,422,243,258
iron_chic.jpg,146,272,310,108
iron_chic.jpg,194,144,330,7
文章标签：
Python
机器学习/深度学习
计算机视觉
算法框架/工具
Caffe
关键词：
深度学习实战
计算机视觉深度学习
深度学习工具
深度学习计算机视觉
计算机视觉工具
python人工智能命理
目录
相关文章
蒋星熠Jaxonic
|
9月前
|
机器学习/深度学习 数据采集 人工智能
深度学习实战指南：从神经网络基础到模型优化的完整攻略
🌟 蒋星熠Jaxonic，AI探索者。深耕深度学习，从神经网络到Transformer，用代码践行智能革命。分享实战经验，助你构建CV、NLP模型，共赴二进制星辰大海。
蒋星熠Jaxonic
615 2
强了一点
|
机器学习/深度学习 编解码 人工智能
计算机视觉五大技术——深度学习在图像处理中的应用
深度学习利用多层神经网络实现人工智能，计算机视觉是其重要应用之一。图像分类通过卷积神经网络（CNN）判断图片类别，如“猫”或“狗”。目标检测不仅识别物体，还确定其位置，R-CNN系列模型逐步优化检测速度与精度。语义分割对图像每个像素分类，FCN开创像素级分类范式，DeepLab等进一步提升细节表现。实例分割结合目标检测与语义分割，Mask R-CNN实现精准实例区分。关键点检测用于人体姿态估计、人脸特征识别等，OpenPose和HRNet等技术推动该领域发展。这些方法在效率与准确性上不断进步，广泛应用于实际场景。
强了一点
1612 64
计算机视觉五大技术——深度学习在图像处理中的应用
平凡程序猿~
|
机器学习/深度学习 PyTorch TensorFlow
深度学习工具和框架详细指南：PyTorch、TensorFlow、Keras
在深度学习的世界中，PyTorch、TensorFlow和Keras是最受欢迎的工具和框架，它们为研究者和开发者提供了强大且易于使用的接口。在本文中，我们将深入探索这三个框架，涵盖如何用它们实现经典深度学习模型，并通过代码实例详细讲解这些工具的使用方法。
平凡程序猿~
1339 0
土木林森
|
机器学习/深度学习 PyTorch 算法框架/工具
揭秘深度学习中的微调难题：如何运用弹性权重巩固（EWC）策略巧妙应对灾难性遗忘，附带实战代码详解助你轻松掌握技巧
【10月更文挑战第1天】深度学习中，模型微调虽能提升性能，但常导致“灾难性遗忘”，即模型在新任务上训练后遗忘旧知识。本文介绍弹性权重巩固（EWC）方法，通过在损失函数中加入正则项来惩罚对重要参数的更改，从而缓解此问题。提供了一个基于PyTorch的实现示例，展示如何在训练过程中引入EWC损失，适用于终身学习和在线学习等场景。
土木林森
1557 4
揭秘深度学习中的微调难题：如何运用弹性权重巩固（EWC）策略巧妙应对灾难性遗忘，附带实战代码详解助你轻松掌握技巧
小周sir
|
机器学习/深度学习 人工智能 TensorFlow
基于TensorFlow的深度学习模型训练与优化实战
基于TensorFlow的深度学习模型训练与优化实战
小周sir
806 3
游客wzls46nubyw7c
|
机器学习/深度学习 传感器 算法
行人闯红灯检测：基于计算机视觉与深度学习的智能交通解决方案
随着智能交通系统的发展，传统的人工交通违法判断已难以满足需求。本文介绍了一种基于计算机视觉与深度学习的行人闯红灯自动检测系统，涵盖信号灯状态检测、行人检测与跟踪、行为分析及违规判定与报警四大模块，旨在提升交通管理效率与安全性。
游客wzls46nubyw7c
1091 0
游客wzls46nubyw7c
|
机器学习/深度学习 监控 算法
车辆违停检测：基于计算机视觉与深度学习的自动化解决方案
随着智能交通技术的发展，传统人工交通执法方式已难以满足现代城市需求，尤其是在违法停车监控与处罚方面。本文介绍了一种基于计算机视觉和深度学习的车辆违停检测系统，该系统能自动监测、识别并报警违法停车行为，大幅提高交通管理效率，降低人力成本。通过使用YOLO算法进行车辆检测，结合区域分析判断车辆是否处于禁停区，实现了从车辆识别到违停判定的全流程自动化。此系统不仅提升了交通管理的智能化水平，也为维护城市交通秩序提供了技术支持。
游客wzls46nubyw7c
2463 1
萝卜带泥
|
机器学习/深度学习 人工智能 算法
深度学习在计算机视觉中的突破与未来趋势###
【10月更文挑战第21天】 近年来，深度学习技术极大地推动了计算机视觉领域的发展。本文将探讨深度学习在图像识别、目标检测和图像生成等方面的最新进展，分析其背后的关键技术和算法，并展望未来的发展趋势和应用前景。通过这些探讨，希望能够为相关领域的研究者和从业者提供有价值的参考。 ###
萝卜带泥
798 4
土木林森
|
机器学习/深度学习 人工智能 算法
揭开深度学习与传统机器学习的神秘面纱：从理论差异到实战代码详解两者间的选择与应用策略全面解析
【10月更文挑战第10天】本文探讨了深度学习与传统机器学习的区别，通过图像识别和语音处理等领域的应用案例，展示了深度学习在自动特征学习和处理大规模数据方面的优势。文中还提供了一个Python代码示例，使用TensorFlow构建多层感知器（MLP）并与Scikit-learn中的逻辑回归模型进行对比，进一步说明了两者的不同特点。
土木林森
894 2

热门文章

最新文章

  • 1
    【计算机视觉必读干货】图像分类、定位、检测，语义分割和实例分割方法梳理
  • 2
    十大预训练模型，助力入门深度学习（第1部分 - 计算机视觉）
  • 3
    计算机视觉入门基础——计算机如何‘看’片
  • 4
    《Arduino计算机视觉编程》一第3章 用OpenCV和Arduino进行数据采集3.1　图像和视频采集
  • 5
    【收藏】2018年不容错过的20大人工智能/机器学习/计算机视觉等顶会时间表
  • 6
    AI计算机视觉笔记十七：实例分割
  • 7
    【计算机视觉 | Transformer】arxiv 计算机视觉关于Transformer的学术速递（8 月 9 日论文合集）
  • 8
    【动手学计算机视觉】第一讲：图像预处理之图像去噪
  • 9
    【计算机视觉 | ViT-G】谷歌大脑提出 ViT-G：缩放视觉 Transformer，高达 90.45% 准确率
  • 10
    计算机视觉教程2-3：图解双线性插值算法&最近邻插值算法
  • 1
    基于python大数据深度学习的酒店评论文本情感分析系统
    876
  • 2
    基于深度学习的客流量预测系统
    722
  • 3
    29_序列标注技术详解：从HMM到深度学习
    787
  • 4
    基于yolo8的深度学习室内火灾监测识别系统
    968
  • 5
    PyTorch深度学习 ? 带你从入门到精通！！！
    600
  • 6
    深度学习实战指南：从神经网络基础到模型优化的完整攻略
    615
  • 7
    机器会“看病”？深度学习正在颠覆医学成像！
    606
  • 8
    【WOA-CNN-LSTM】基于鲸鱼算法优化深度学习预测模型的超参数研究（Matlab代码实现）
    591
  • 9
    运维日志里的“读心术”：深度学习能看出啥？
    445
  • 10
    【深度学习】基于最小误差法的胸片分割系统（Matlab代码实现）
    205

    • 相关课程

    更多
  • 高校精品课-复旦大学-机器学习与深度学习
  • 深度学习框架TensorFlow入门
  • 深度学习与自动驾驶

    • 相关电子书

    更多
  • 深度学习的最新进展
  • 搜狗深度学习技术在广告推荐领域的应用
  • 深度学习在电商搜索和聊天机器人中的应用
    • 下一篇
    一条命令迁移，帮你实现 OpenClaw 与 Hermes Agent 记忆互通！