基本步骤
- 读入图片
- 构造检测器
- 获取检测结果
- 解析检测结果
一、Haar
# 调整参数 img = cv2.imread('./images/001.jpg') cv_show('img',img) # 构造harr检测器 face_detector = cv2.CascadeClassifier('./weights/haarcascade_frontalface_default.xml') # 转为灰度图 img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) plt.imshow(img_gray,'gray') # 检测结果 上图4个人脸所以4个方框坐标 # image # scaleFactor控制人脸尺寸 默认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))
# 调整参数 img = cv2.imread('./images/004.jpeg') cv_show('img',img) # 构造harr检测器 face_detector = cv2.CascadeClassifier('./weights/haarcascade_frontalface_default.xml') # 转为灰度图 img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) plt.imshow(img_gray,'gray') # 检测结果 上图4个人脸所以4个方框坐标 # image # scaleFactor控制人脸尺寸 默认1.1 # minNeighbors 确定一个人脸框至少要有n个候选值 越高 质量越好 # [, flags[, # minSize maxSize 人脸框的最大最小尺寸 如minSize=(40,40) detections = face_detector.detectMultiScale(img_gray,scaleFactor=1.2, minNeighbors=10)# 在质量和数量上平衡 # 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))
上述过程中：
- scaleFactor参数：用来控制人脸框的大小，可以用它来排除一些错误检测；
- minNeighbors参数：我们给人脸框起来的时候，一般一张脸会框许多的框，假如这张脸框得越多，说明质量越好，越是一张正确的“脸”。
二、Hog
对于第一次使用这个功能的同学，要提前下载一下dlib。
import dlib # 构造HOG人脸检测器 不需要参数 hog_face_detetor = dlib.get_frontal_face_detector() # 检测人脸获取数据 # img # scale类似haar的scalFactor detections = hog_face_detetor(img,1) # 解析获取的数据 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 # 构造CNN人脸检测器 cnn_face_detector = dlib.cnn_face_detection_model_v1("./weights/mmod_human_face_detector.dat") # 检测人脸 参数与上一种相似 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.confidence print(c) cv2.rectangle(img,(x,y),(r,b),(0,255,0)) plt.imshow(cv2.cvtColor(img,cv2.COLOR_BGR2RGB))
通过神经网络完成，这个过程中我们还可以查看每张脸检测时的置信度。
四、SSD
# 加载模型 face_detector = cv2.dnn.readNetFromCaffe('./weights/deploy.prototxt.txt','./weights/res10_300x300_ssd_iter_140000.caffemodel') # 原图尺寸 img_height = img.shape[0] img_width = img.shape[1] # 放缩至输入尺寸 img_resized = cv2.resize(img,(500,300)) # 转为2进制 img_blob = cv2.dnn.blobFromImage(img_resized,1.0,(500,300),(104.0,177.0,123.0)) # 输入 face_detector.setInput(img_blob) # 推理 detections = face_detector.forward()
此时
detections.shape # (1, 1, 200, 7)
说明有200个结果，后面的7则是我们做需要的一些数据，继续如下：
# 查看人脸数量 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] # 通过置信度筛选 if detections_confidence > 0.15: # 位置 乘以宽高恢复大小 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') # 绘制 cv2.rectangle(img_copy,(lx,ly),(rx,ry),(0,255,0),2) plt.imshow(cv2.cvtColor(img_copy,cv2.COLOR_BGR2RGB))
五、MTCNN
# 导入MTCNN from mtcnn.mtcnn import MTCNN # 记载模型 face_detetor = MTCNN() # 检测人脸 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)
对比
