人脸检测的5种实现方法

人脸检测的5种实现方法众所周知 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 相关构造检测器的文件 opencv data at master opencv opencv

大家好,我是讯享网,很高兴认识大家。

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:

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)) 

讯享网

在这里插入图片描述
讯享网

讯享网# 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)) 

在这里插入图片描述

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)) 

在这里插入图片描述

三、CNN

讯享网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。

在这里插入图片描述

四、SSD

# 加载模型 face_detector = cv2.dnn.readNetFromCaffe('./weights/deploy.prototxt.txt','./weights/res10_300x300_ssd_iter_.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

讯享网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)) 

在这里插入图片描述

五、MTCNN

讯享网# 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) 

在这里插入图片描述

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
小讯
上一篇 2025-04-07 16:18
下一篇 2025-03-17 07:13

相关推荐

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容,请联系我们,一经查实,本站将立刻删除。
如需转载请保留出处:https://51itzy.com/kjqy/115658.html