參考自
在原有基礎上有一部分的修改(image改為可選引數,若不填則為拍照後選取),如果有想深入學習的,可以去關注這位『吳克』先生的文章。
本文不涉及關於人臉檢測的訓練部分(雖然之後隨著學習深入我會再發相關的隨筆),只是簡單的用輪子。
今天我們來使用dlib和opencv進行人臉的檢測標註
首先安裝opencv和dlib的方法
pip install dlib本程式中還使用了imutils用於resize,安裝方法如下pip install opencv-python
pip install imutils訓練好的檔案可識別人臉的68個關鍵點並標註(關鍵點越少肯定越容易導致識別錯誤)
本程式執行方法:若.py和shape_predictor_68_face_landmarks.dat以及需要檢測的在同一目錄下,在當前目錄console中輸入
python my_facial_landmarks.py -p shape_predictor_68_face_landmarks.dat -i guanhai.jpg或採用拍照識別的方式,輸入
python my_facial_landmarks.py -p shape_predictor_68_face_landmarks.dat在框中按q完成拍照
之後會顯示標註後的**
例如輸入如下
拍照然後識別就不舉例了吧,大家可以自行嘗試
**如下my_facial_landmarks.py
from imutils import face_utilsimport argparse
import imutils
import dlib
import cv2
def takephoto():
cap = cv2.videocapture(0)
while (1):
# get a frame
ret, frame = cap.read()
# show a frame
cv2.imshow("capture", frame)
if cv2.waitkey(1) & 0xff == ord('q'):#按q鍵完成照相
# cv2.imwrite("./test0.jpg", frame) 儲存**,但在這裡我們並不需要
return frame#返回
cap.release()
cv2.destroyallwindows()
def main():
# construct the argument parser and parse the arguments 使用argparse設定輸入所需的實參
ap = argparse.argumentparser()
ap.add_argument("-p", "--shape-predictor", required=true, #訓練好的關於檢測的檔案
help="path to facial landmark predictor")
ap.add_argument("-i", "--image", required=false,default='0', #
help="path to input image")
args = vars(ap.parse_args())
# initialize dlib's face detector (hog-based) and then create
# the facial landmark predictor
#初始化dlib人臉檢測(基於hog),然後建立面部標誌**器
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor(args["shape_predictor"])
# load the input image, resize it, and convert it to grayscale
if args['image'] != '0':
image = cv2.imread(args['image'])#輸入實參則讀入
else:
image = takephoto()#若未輸入則進行照相操作
image = imutils.resize(image, width=500) # 調整寬度為500
gray = cv2.cvtcolor(image, cv2.color_bgr2gray)#調整為灰色
# detect faces in the grayscale image 檢測灰度影象中的面部
rects = detector(gray, 1)
# loop over the face detections 迴圈進行人臉的檢測
for (i, rect) in enumerate(rects):
# determine the facial landmarks for the face region, then
# convert the facial landmark (x, y)-coordinates to a numpy
# array
# 確定面部區域的面部標誌,然後將面部標誌(x,y)座標轉換成numpy陣列
shape = predictor(gray, rect)
shape = face_utils.shape_to_np(shape)
# convert dlib's rectangle to a opencv-style bounding box
# [i.e., (x, y, w, h)], then draw the face bounding box
#將dlib矩形轉換為opencv樣式的邊界框[即(x,y,w,h)],然後繪製邊界框
(x, y, w, h) = face_utils.rect_to_bb(rect)
cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)
# show the face number 人臉序號的標記(可識別多張)
cv2.puttext(image, "face #{}".format(i + 1), (x - 10, y - 10),
cv2.font_hershey_******x, 0.5, (0, 255, 0), 2)
# loop over the (x, y)-coordinates for the facial landmarks
# and draw them on the image
#迴圈面部地標的(x,y)座標並在影象上繪製它們
for (x, y) in shape:
cv2.circle(image, (x, y), 1, (0, 0, 255), -1)
# show the output image with the face detections + facial landmarks
#用臉部檢測+面部標誌顯示輸出影象
cv2.imshow("output", image)
cv2.waitkey(0)
if __name__ == '__main__':
main()
**:
使用opencv進行人臉識別
最近由於大作業需要,使用了opencv進行人臉識別。一般來說,識別分為兩部,即人臉檢測 人臉識別,opencv提供了乙個人臉檢測的sample,有乙個比較成熟的訓練人臉正面訓練檔案,這是我所知的乙個很成熟的人臉識別工具,而且已用於一些前沿3d愛情動作遊戲中,這裡主要是對其提供的sample作了一定的...
使用opencv進行人臉識別
最近由於大作業需要,使用了opencv進行人臉識別。一般來說,識別分為兩部,即人臉檢測 人臉識別,opencv提供了乙個人臉檢測的sample,有乙個比較成熟的訓練人臉正面訓練檔案,這是我所知的乙個很成熟的人臉識別工具,而且已用於一些前沿3d愛情動作遊戲中,這裡主要是對其提供的sample作了一定的...
使用Haar Cascade 進行人臉識別
學完了deeplearnning.ai 的卷積神經網路課程之後,為了更直觀的理解人臉識別,我想使用opencv來實現人臉識別。以下為譯文 基於haar特徵的cascade分類器 classifiers 是paul viola和 michael jone在2001年,rapid object dete...