众所周知,人脸识别是计算机视觉应用的一个重大领域,在学习人脸识别之前,我们先来简单学习下人脸检测的几种用法。

常见的人脸检测方法大致有5种,Haar、Hog、CNN、SSD、MTCNN:

注:本文章图片来源于网络

相关构造检测器的文件:opencv/data at master · opencv/opencv · GitHub

基本步骤

  1. 读入图片
  2. 构造检测器
  3. 获取检测结果
  4. 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

    优势 劣势
    Haar 速度最快、清凉、适合算力较小的设备 准确度低、偶尔误报、无旋转不变性
    HOG+Dlib 比Haar准确率高 速度比Haar低,计算量大、无旋转不变性、Dlib兼容性问题
    SSD 比Haar和hog准确率高、深度学习、大小一般 低光照片准确率低,受肤色影响。
    CNN 最准确、误报率低、轻量 相对于其他方法慢、计算量大、Dlib兼容性问题
    物联沃分享整理
    物联沃-IOTWORD物联网 » 5种人脸检测方法

    发表评论