在openncc的開發包中提供了乙個"openncc view"工具，通過這個工具，即使你完全不了解演算法實現原理，也能輕鬆的使用openncc去執行各種ai演算法。它裡面內建了10種不同的模型檢測演算法，可以直接上手使用，學習成本大大降低，今天我先嘗試執行下人臉檢測模型演算法：face-detection-retail-0004，測試一下檢測的準確性。使用的預訓練模型來自於openvino下的free open model zoo，感興趣的朋友可以去了解下，傳送門
首先把openncc相機通過usb資料線插到電腦上，開啟view 軟體，載入要測試的face-detection-retail-0004模型，檢測最低分數為預設的50%，滿分100%。這個分數的意思是，演算法會嘗試在場景中找出人臉，並打分，覺得符合人臉特徵時得分就很高，特徵不明顯得分就偏低，設定最低分為50%後，只有演算法識別出的人臉分數大於50%時，才會在畫面中框選出來。，引數就按預設值，選擇好後，start running model。沒使用過openncc view的可以參考官方的使用文件 。
首先測試下 模型演算法對於單個人臉檢測的準確性
a.正常人臉，出現在鏡頭中
在正常人臉出現在鏡頭中，檢測很穩定，能很準確的捕捉到人臉資訊，得分基本在100%
b.人臉被遮擋
我戴著口罩測試下來，人臉檢測也很穩定，能很準確的捕捉到人臉資訊，基本和不戴口罩檢測結果保持一致。
c.側臉/背對鏡頭
這張中（**工作中的同事?），右邊同事其實也不算側臉了，只露出了小部分面部資訊，而且還戴了口罩，這對演算法的考驗還是挺大的，可以看出，我們演算法還是能夠識別出來的，只不過分數有所下降，到了70%，
而對於左邊完全背對著鏡頭的同事，就無法檢測到人臉資訊了，無法識別，畢竟是人臉檢測嘛，咱不能對演算法過於苛刻，也合理。
d.暗光環境下：
在實驗室暗光下，照度只有10lux，下圖中的人臉肉眼都已經很難看清，但演算法還是識別出來了人臉，暗光環境下表現很好。
e.遠距離測試
這張是在距離鏡頭6m左右的位置，人臉影象已經有點模糊，演算法檢測分數在60%左右，再遠的位置就很難檢測到人臉了。這個結果有點出乎我的意料，因為從影象上看，人臉輪廓還是能分辨出來，演算法應該不難檢測出來，希望後續能更新優化演算法能力，發揮更好的效能。
接下來，我測試畫面有多張人臉時的檢測能力(謝謝辦公室的小夥伴們友情出演(￣▽￣)*)
看來多張人臉也不成問題，辦公室人少，我想測試演算法檢測人臉的上限。
於是我從網上找到一張，40張人臉，在顯示器上展示，用ncc相機對著顯示器，結果出乎我的意料：**中一共40張人臉全部都被識別到了！厲害，我原以為演算法最多能識別10個左右人臉，看來我錯了，演算法很厲害?
測試下來的結果，還是挺令我驚喜的，檢測準確率很高。但令我感觸最深的是，openncc相機讓「ai演算法「，」人臉檢測「，這些在我以前的認知中遙不可及的詞彙，變得似乎不再那麼遙遠，可以用手指觸碰得到。我希望openncc能一扇新的大門，引導更多的開發者接觸ai演算法領域。說不定在未來的某一天，ai的力量就像空氣一樣遍布在我們的生活中。
人臉檢測實現
使用的是谷歌人臉識別系統facenet裡面的mtcnn人臉檢測部分，這部分可用於人臉檢測和人臉對齊，輸出160 160大小的影象 解壓後放在tensorflow的資料夾下 開啟requirements.txt，我們可以看到我們需要安裝以下依賴 tensorflow 1.7 scipy scikit ...
python opencv 實現人臉檢測
可以用opencv 的庫函式來實現人臉檢測 coding utf 8 import numpy as np import cv2 import time import sys,getopt from video import create capture from common import clo...
MFC opencv實現人臉檢測
先來看看效果圖吧。檢測後的結果將會顯示在資料夾裡。首先，需要配置opencv環境，可以參考這篇文章 windows下opencv 3.4.0 visual studio 2015開發環境的配置 其次，是核心識別庫環境配置，這裡放上另一篇文章，配置步驟寫的很詳細可以參考一下 opencv核心識別庫環境...