dlib人脸检测

OpenCV人脸采集训练识别系统实现 环境准备 anaconda3下载点这里 项目地址 安装Anaconda之后创建新环境 conda create -n opencvface python=3.6 等待安装完毕后 激活环境 activate opencvface 接下来安装opencv 先进入到项目中 根据上面项目文件在硬盘的路径切换到对应的目录下 cd face_recognition_py cd modules 安装opencv dlib pip install opencv_python-3.4.1+contrib-cp36-cp36m-win_amd64.whl pip install dlib-19.8.1-cp36-cp36m-win_amd64.whl 跳出来安装其他依赖库 cd .. pip install -r requirements.txt 程序运行 人脸采集系统（现场采集人脸数据100帧以上） python dataRecord.py 开启摄像头 开启人脸检测 初始化数据库 增加用户数据（填入对应的用户内容） 开始采集人脸 选择比较好的角度以及光线来采集当前帧（至少100帧以上） 同步到数据库中 关闭 数据管理系统（采集之后启动这个训练数据） python dataManage.py 初始化数据库 开始训练 训练结束之后 关闭程序进入下一步 识别

黑人人脸检测 由于黑人肤色偏深，往往无法直接被检测到人脸，我将处理黑人人脸的问题转化为不均匀光照下人脸检测的问题，通过边缘增强和明暗均衡的两个滤波器实现黑人人脸检测 import cv2 import dlib import numpy as np from PIL import Image , ImageFilter path = "C:/Users/gufei/Desktop/black/black1.jpg" path = "black.png" img = Image . open ( path ) org = cv2 . imread ( path ) def face_enhance ( img ) : enhance = img . filter ( ImageFilter . EDGE_ENHANCE_MORE ) #大阈值边缘增强 result = cv2 . cvtColor ( np . asarray ( enhance ) , cv2 . COLOR_RGB2BGR ) gamma = 0.2 scale = float ( np . iinfo ( result . dtype ) . max - np . iinfo ( result . dtype ) . min ) result = ( ( result . astype ( np .

基于卷积神经网络（CNN）的人脸在线识别系统 　　本设计研究人脸识别技术，基于卷积神经网络构建了一套人脸在线检测识别系统，系统将由以下几个部分构成： 制作人脸数据集、 CNN 神经网络模型训练、 人脸检测、人脸识别 。经过实验，确定该系统可对本人的人脸进行快速并准确的检测与识别。 关键词 : 神经网络； 图像处理； 人脸检测；人脸识别； TensorFlow ；模型训练 一、设计目标 1.掌握人脸识别原理； 2.掌握卷积神经网络算法原理 3.掌握卷积神经网络模型训练过程； 4.掌握常用图像处理技术； 设计内容与要求 1.完成基于卷积神经网络的人脸在线识别系统算法设计； 2.完成基于卷积神经网络的人脸在线识别系统模型训练； 3.检测并且识别出人脸； 二、制作人脸数据集 2.1、制作我的人脸数据集 　　人脸检测出人脸位置，返回坐标、尺寸把脸用数组切片的方法截取下来，把截取的小图片保存下来作为数据集。 本系统获取本人的人脸数据集 10000 张，使用的是 dlib 来识别人脸，虽然速度比 OpenCV 识别慢，但是识别效果更好。 其中，人脸大小： 64*64 。 2.2、主要步骤 （ 1 ） 加载 dlib 机器学习的开源库 （ 2 ） 图像预处理 cvtColor （灰度化）。 （ 3 ） 使用 dlib 自带的 frontal_face_detector 进行特征提取 。 （ 4 ）

Github开源人脸识别项目face_recognition 原文： https://www.jianshu.com/p/0b37452be63e 译者注： 本项目 face_recognition 是一个强大、简单、易上手的人脸识别开源项目，并且配备了完整的开发文档和应用案例，特别是兼容树莓派系统。 为了便于中国开发者研究学习人脸识别、贡献代码，我将本项目README文件翻译成 中文 。 向本项目的所有贡献者致敬。 英译汉：同济大学开源软件协会 子豪兄Tommy Translator's note: face_recognition is a powerful, simple and easy-to-use face recognition open source project with complete development documents and application cases, especially it is compatible with Raspberry Pi. In order to facilitate Chinese software developers to learn, make progress in face recognition development and source code contributions, I

使用dlib实现人脸检测与识别需要先下载以下两个文件： 以下是检测代码： import dlib import numpy as np import cv2 detector = dlib . get_frontal_face_detector () # 加载正脸检测器，使用dlib sp = dlib . shape_predictor ( "dlibModel/shape_predictor_68_face_landmarks.dat" ) # 加载人脸关键点检测模型 facerec = dlib . face_recognition_model_v1 ( "dlibModel/dlib_face_recognition_resnet_model_v1.dat" ) # 加载人脸识别模型 images_file = "11.jpg" if __name__ == '__main__' : image = cv2 . imread ( images_file ) gray = cv2 . cvtColor ( image , cv2 . COLOR_BGR2GRAY ) rects = detector ( gray , 1 ) # 返回人脸,(灰度图，采样次数) tzs = [] for ( i , rect ) in enumerate ( rects ): shape68

文章目录 传统的算法 深度学习的检测方法 传统的算法 基于ACF特征的人脸检测 ACF & VJ Framework ACF：聚合通道特征，简单来说就是把各种特征聚合到一起，比如10个通道，可以包含 RGB, HSV, HOG等 训练阶段：预处理获取一批人脸的正负样本，训练一个级联的 Adaboost 分类器（多个 Adaboost 级联检测），用于判断是否是人脸； 检测阶段：遍历输入的图（设定一定的步长），通过训练好的分类器判断是否是人脸，去重，done. 速度比较快：积分图，决策树也快 opencv 的人脸检测 基本上跟上面的类似，只是分别采用了不同的初始特征，opencv里有用 haar | hog | lbp 等实现的特征提取，后面都采用了 cascade adaboost 做分类。 以上方法快，几乎可以找 CPU 上实时工作，简单的检测不同比例人脸，缺点是不抗遮挡，侧脸检测不到，误检会多些。 dlib HOG cpu上最快的方法，效果居中 深度学习的检测方法 opencv dnn 直达 底层基于 ResNet-10，快，cpu 实时，多角度，更稳定鲁棒。 dlib cnn cpu 上慢，gpu 上快，训练简单，不能检测小脸，中庸。 mtcnn (2016) & facenet 直达 这两个的准确率都达到了>99.5%。 文章来源: https://blog.csdn

1. anaconda 安装dlib库： 安装命令： https://anaconda.org/conda-forge/dlib 打开Anaconda Prompt：输入 conda install -c conda-forge dlib=19.9 等待安装完成即可； 2. 测试示例 方法1：基于Hog-SVM人脸检测器 方法2：基于深度卷积神经网络实现的人脸检测 # -*- coding: utf-8 -*- """ Created on Mon Jun 17 16:51:46 2019 @author: zfjuan """ import cv2 import dlib img = cv2.imread('.\\image\\keliamoniz1.jpg'); ''' #方法1: # 使用 Dlib 的正面人脸检测器 frontal_face_detector detector = dlib.get_frontal_face_detector() # 使用 detector 检测器来检测图像中的人脸 # use detector of Dlib to detector faces faces = detector(img, 1) print("人脸数 / Faces in all: ", len(faces)) # Traversal every face for i, d

基础知识 python知识：　　import os,shutil　　shutil.rmtree("C:\\Users\\yangwj\\Desktop\\test") #删除目录　　os.remove("C:\\Users\\yangwj\\Desktop\\replay_pid28076.log") # 删除文件　　os.path.isfile() # 判断是否为文件　　os.listdir() # 列出路径下的目录 1、从摄像头获取人脸图片 import dlib # 人脸处理的库 Dlib import numpy as np # 数据处理的库 Numpy import cv2 # 图像处理的库 OpenCv import os # 读写文件 import shutil # 读写文件 # Dlib 正向人脸检测器 / frontal face detector detector = dlib.get_frontal_face_detector() # Dlib 68 点特征预测器 / 68 points features predictor predictor = dlib.shape_predictor('data/data_dlib/shape_predictor_68_face_landmarks.dat') # OpenCv 调用摄像头 use camera cap

最近一直在研究AI人脸识别身份认证，发现目前网上的识别Demo都是小Demo，非常零散，最近在GitHub上见到一位大神开源人脸识别项目参见：https://github.com/winterssy/face_recognition_py，效果显著，遂将其整理优化，介绍项目实现原理和机制。 本系统项目最终效果如下： 本项目的实现机制：基于OpenCV使用Haar级联与dlib库进行人脸检测及实时跟踪，应用LBPH算法开发了一个功能相对完整的人脸识别系统。系统采用sqlite3进行序列化数据存储，能够对陌生人脸闯入进行报警，并拥有基于PyQt5设计的GUI实现。 接下来从原理到项目实践进行剖析。 人脸识别流程 人脸识别是由一系列的几个相关问题组成的： 1、首先找到一张图片中的所有人脸。 2、对于每一张脸来说，无论光线明暗或面朝别处，它依旧能够识别出是同一个人的脸。 3、能够在每一张脸上找出可用于他人区分的独特之处，比如眼睛多大，脸有多长等等。 4、最后将这张脸的特点与已知所有人脸进行比较，以确定这个人是谁。 第一步：人脸检测，找出所有的面孔 很显然在我们在人脸识别的流程中得首先找到图片中的人脸。我们得感谢 保罗·比奥拉（Paul Viola）和迈克尔·琼斯（Michael Jones）在2000年发明了一种能够快速在廉价相机上运行的人脸检测方法，人脸检测在相机上的应用才成为主流

前言： 　　在6月底来到鹅厂实习，在这一个多月的时间内，主要将我之前研究的目标跟踪和人脸模型结合起来，完成一些人脸跟踪的应用。其中将之前研究的单目标跟踪（SOT, single object tracking）拓展到多目标跟踪（MOT, multi object tracking），针对人脸的应用引入人脸模型，形成针对人脸的多目标跟踪。 　　在这里还是学习到不少东西的：面向业务应用的算法开发；关注预研的过程；跨任务地思考；把控时间点。 整体和在实验室的感觉是差不多的，但是要比在实验室严肃一些，需要在一段时间内要有产出，不能说像在实验室一样，研究了半年，说没研究出来成果就过了。毕竟要有kpi的要求，要对自己要求严格一些。抛开心态来说，我反而觉得实验室要求还要更严一些：周报、每周的组会等等。在这里只要简单几句话的周报就可以了，但是这句话的周报含义和实验室是差很多的。 - -！ 　　言归正传，这篇博文主要总结我在这段时间调研过的内容和尝试过的一些应用。其实百度一下“人脸检测、人脸识别”等等关键词也会出现很多相关博文，但是这篇主要是我在这段时间的总结。 　　特别要感谢 https://github.com/corberan/video_clipper ，奠定了我实现的算法的基本流程，在我迷茫不知道如何完成任务的时候，提供了重要的思路。 主要内容： 　　1. dlib: 基于C+