Mtcnn进行人脸剪裁和对齐B

简介: Mtcnn进行人脸剪裁和对齐 1 from scipy import misc 2 import tensorflow as tf 3 import detect_face 4 import cv2 5 # import matplotlib.

Mtcnn进行人脸剪裁和对齐

 1 from scipy import misc
 2 import tensorflow as tf
 3 import detect_face
 4 import cv2
 5 # import matplotlib.pyplot as plt
 6 from PIL import Image
 7 import os
 8 # import scipy.misc
 9 # %pylab inline
10 fin = 'D:\data\male'
11 fout = 'D:\data\\rain\male'
12 minsize = 20  # minimum size of face
13 threshold = [0.6, 0.7, 0.7]  # three steps's threshold
14 factor = 0.709  # scale factor
15 margin = 44
16 frame_interval = 3
17 batch_size = 1000
18 image_size = 182
19 input_image_size = 160
20 
21 print('Creating networks and loading parameters')
22 
23 with tf.Graph().as_default():
24     gpu_options = tf.GPUOptions(allow_growth=True)
25     sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options, log_device_placement=False))
26     with sess.as_default():
27         pnet, rnet, onet = detect_face.create_mtcnn(sess, 'D:\\code\\real-time-deep-face-recognition-master\\20170512-110547')
28 
29 
30 i= 0
31 
32 for file in os.listdir(fin):
33     try:
34             
35         file_fullname = fin + '/' + file
36         img = misc.imread(file_fullname)
37         # i+= 1
38         # img = misc.imread(image_path)
39         bounding_boxes, _ = detect_face.detect_face(img, minsize, pnet, rnet, onet, threshold, factor)
40         nrof_faces = bounding_boxes.shape[0]  # 人脸数目
41         print(nrof_faces)
42         #print('找到人脸数目为:{}'.format(nrof_faces))
43     
44         # print(bounding_boxes)
45     
46         crop_faces = []
47         if nrof_faces != 0 :
48             for face_position in bounding_boxes:
49                 face_position = face_position.astype(int)
50                 print(face_position[0:4])
51                 cv2.rectangle(img, (face_position[0], face_position[1]), (face_position[2], face_position[3]), (0, 255, 0), 2)
52                 crop = img[face_position[1]:face_position[3],
53                        face_position[0]:face_position[2], ]
54                 # print(crop)
55                 # crop = cv2.resize(crop, (96, 96), interpolation=cv2.INTER_CUBIC)
56                 crop_faces.append(crop)
57                 img2 = Image.open(file_fullname)
58                 a = face_position[0:4]
59                 # print('crop_faces:',crop_faces)
60                 # a = [face_position[0:4]]
61                 box = (a)
62                 roi = img2.crop(box)
63                 i = roi.resize((224, 224))
64     
65                 out_path = fout + '/' + file
66     
67                 i.save(out_path)
68                 print('success')
69         else:
70             pass
71     except:
72         pass

 

相关实践学习
在云上部署ChatGLM2-6B大模型(GPU版)
ChatGLM2-6B是由智谱AI及清华KEG实验室于2023年6月发布的中英双语对话开源大模型。通过本实验,可以学习如何配置AIGC开发环境,如何部署ChatGLM2-6B大模型。
目录
相关文章
|
计算机视觉
OpenCV3 和 Qt5 计算机视觉:1~5
OpenCV3 和 Qt5 计算机视觉:1~5
371 0
|
安全 NoSQL Java
JWT和Security 登录权限判断和token访问和让token失效
JWT和Security 登录权限判断和token访问和让token失效
|
Python
【零碎知识】【Python】@classmethod 与 @staticmethod
【零碎知识】【Python】@classmethod 与 @staticmethod
210 0
|
安全 Java Linux
【Docker】五 Docker Hub管理镜像
Docker Hub是Docker官方维护的Docker Registry,上面存放着很多优秀的镜像。不仅如此,Docker Hub还提供认证、工作组结构、工作流工具、构建触发器等工具来简化我们的工作。 前文已经讲过,我们可使用 `docker search` 命令搜索存放在Docker Hub中的镜像。这篇文章我们来详细探讨Docker Hub的使用。
738 1
【Docker】五 Docker Hub管理镜像
|
存储 Ubuntu Docker
容器镜像的导入导出
容器镜像的导入导出
664 0
|
数据采集 小程序
九大数据分析方法:指标拆解法
大家好,我是爱学习的小熊妹。 今天继续跟大家分享:九大数据分析方法系列。之前已经分享过: 周期性分析法 结构分析法 矩阵分析法 👆点击可进行阅读哦~ 这三种方法,都是只对一、两个指标进行分析。小伙伴们肯定会问:那如果有好几个指标,要怎么进行分析呢?答:当遇到好几个指标的时候,得先分清这些指标间的关系。
1316 0
九大数据分析方法:指标拆解法
|
消息中间件 JSON Java
《Java单元测试实战》——编写技巧:Java单元测试技巧之JSON序列化(7)
《Java单元测试实战》——编写技巧:Java单元测试技巧之JSON序列化(7)
225 0
|
PyTorch 算法框架/工具 Python
face-alignment:用 pytorch 实现的 2D 和 3D 人脸对齐库
使用世界上最准确的面对齐网络从 Python 检测面部地标,能够在2D和3D坐标中检测点。 项目地址:https://github.com/1adrianb/face-alignment 作者: 阿德里安·布拉特 诺丁汉大学博士生 我目前是诺丁汉大学计算机视觉实验室的博士生,由Georgios Tzimiropoulos博士的监督。
1931 0