欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Python+Opencv实战之人脸追踪详解

程序员文章站 2022-06-24 20:08:54
目录前言人脸追踪技术简介使用基于 dlib dcf 的跟踪器进行人脸跟踪使用基于 dlib dcf 的跟踪器进行对象跟踪小结前言人脸处理是人工智能中的一个热门话题,人脸处理可以使用计算机视觉算法从人脸...

前言

人脸处理是人工智能中的一个热门话题,人脸处理可以使用计算机视觉算法从人脸中自动提取大量信息,例如身份、意图和情感;而目标跟踪试图估计目标在整个视频序列中的轨迹,其中只有目标的初始位置是已知的,将这两者进行结合将产生许多有趣的应用。由于外观变化、遮挡、快速运动、运动模糊和比例变化等多种因素,人脸追踪非常具有挑战性。

人脸追踪技术简介

基于判别相关滤波器 (discriminative correlation filter, dcf) 的视觉跟踪器具有优异的性能和较高的计算效率,可用于实时应用程序。dcf 跟踪器是一种非常流行的基于边界框跟踪的方法。

dlib 库中实现了基于 dcf 的跟踪器,可以很方便的将其用于对象跟踪。在本文中,我们将介绍如何使用此跟踪器进行人脸和用户选择对象的跟踪,这种方法也称为判别尺度空间跟踪器 (discriminative scale space tracker, dsst),追踪器仅需要输入原始视频和目标初始位置的边界框,然后跟踪器自动预测目标的轨迹。

使用基于 dlib dcf 的跟踪器进行人脸跟踪

在进行人脸追踪时,我们首先使用 dlib 人脸检测器进行初始化,然后使用基于 dlib dcf 的跟踪器 dsst 进行人脸跟踪。调用以下函数初始化相关跟踪器:

tracker = dlib.correlation_tracker()

这将使用默认值 (filter_size = 6, num_scale_levels = 5, scale_window_size = 23, regularizer_space = 0.001, nu_space = 0.025, regularizer_scale = 0.001, nu_scale = 0.025, scale_pyramid_alpha = 1.020) 初始化跟踪器。 filter_size num_scale_levels 的值越大,跟踪精度越高,但它需要算力也更大;filter_size 的推荐使用值为 5、6 和 7;num_scale_levels 的推荐使用值为 4、5 和 6。

使用 tracker.start_track() 可以开始跟踪。在开始追踪前,我们需要先执行人脸检测,并将检测到的人脸位置传递给这个方法:

if tracking_face is false:
    gray = cv2.cvtcolor(frame, cv2.color_bgr2gray)
    # 尝试检测人脸以初始化跟踪器
    rects = detector(gray, 0)
    # 检查是否检测到人脸
    if len(rects) > 0:
        # 开始追踪
        tracker.start_track(frame, rects[0])
        tracking_face = true

当检测到人脸后,人脸跟踪器将开始跟踪边界框内的内容。为了更新被跟踪对象的位置,需要调用 tracker.update() 方法:

tracker.update(frame)

tracker.update() 方法更新跟踪器并返回衡量跟踪器置信度的指标,此指标可用于使用人脸检测重新初始化跟踪器。

要获取被跟踪对象的位置,需要调用 tracker.get_position() 方法:

pos = tracker.get_position()

tracker.get_position() 方法返回被跟踪对象的位置。最后,绘制人脸的预测位置:

cv2.rectangle(frame, (int(pos.left()), int(pos.top())), (int(pos.right()), int(pos.bottom())), (0, 255, 0), 3)

下图中,显示了人脸跟踪算法的跟踪效果过程:

Python+Opencv实战之人脸追踪详解

在上图中,可以看到算法当前正在跟踪检测到的人脸,同时还可以按数字 1 以重新初始化跟踪。

完整代码

完整代码如下所示,同时我们需要提供按下数字 1 时重新初始化跟踪器的选项。

import cv2
import dlib

def draw_text_info():
    # 绘制文本的位置
    menu_pos_1 = (10, 20)
    menu_pos_2 = (10, 40)
    # 绘制菜单信息
    cv2.puttext(frame, "use '1' to re-initialize tracking", menu_pos_1, cv2.font_hershey_simplex, 0.5, (255, 255, 255))
    if tracking_face:
        cv2.puttext(frame, "tracking the face", menu_pos_2, cv2.font_hershey_simplex, 0.5, (0, 255, 0))
    else:
        cv2.puttext(frame, "detecting a face to initialize tracking...", menu_pos_2, cv2.font_hershey_simplex, 0.5,
                    (0, 0, 255))

# 创建视频捕获对象
capture = cv2.videocapture(0)
# 加载人脸检测器
detector = dlib.get_frontal_face_detector()
# 初始化追踪器
tracker = dlib.correlation_tracker()
# 当前是否在追踪人脸
tracking_face = false

while true:
    # 捕获视频帧
    ret, frame = capture.read()
    # 绘制基本信息
    draw_text_info()
    
    if tracking_face is false:
        gray = cv2.cvtcolor(frame, cv2.color_bgr2gray)
        # 尝试检测人脸以初始化跟踪器
        rects = detector(gray, 0)
        # 通过判断是否检测到人脸来决定是否启动追踪
        if len(rects) > 0:
            # start tracking:
            tracker.start_track(frame, rects[0])
            tracking_face = true

    if tracking_face is true:
        # 更新跟踪器并打印测量跟踪器的置信度
        print(tracker.update(frame))
        # 获取被跟踪对象的位置
        pos = tracker.get_position()
        # 绘制被跟踪对象的位置
        cv2.rectangle(frame, (int(pos.left()), int(pos.top())), (int(pos.right()), int(pos.bottom())), (0, 255, 0), 3)
    # 捕获键盘事件
    key = 0xff & cv2.waitkey(1)

    # 按 1 初始化追踪器
    if key == ord("1"):
        tracking_face = false
    # 按 q 退出
    if key == ord('q'):
        break
    # 显示结果
    cv2.imshow("face tracking using dlib frontal face detector and correlation filters for tracking", frame)
# 释放所有资源
capture.release()
cv2.destroyallwindows()

使用基于 dlib dcf 的跟踪器进行对象跟踪

除了人脸外,基于 dlib dcf 的跟踪器可以用于跟踪任意对象。接下来,我们使用鼠标选择要跟踪的对象,并监听键盘事件,如果按 1,将开始跟踪预定义边界框内的对象;如果按 2,预定义的边界框将被清空,跟踪算法将停止,并等待用户选择另一个边界框。

例如,我们对检测小姐姐并不感兴趣,而更喜欢猫,那么我们可以首先用鼠标绘制矩形框选择喵咪,然后按 1 开始追踪小猫咪,如果我们想要追踪其他物体,可以按 2 重新绘制矩形框并进行追踪。如下所示,我们可以看到算法跟踪对象并进行实时输出:

Python+Opencv实战之人脸追踪详解

完整代码

完整代码如下所示:

import cv2
import dlib

def draw_text_info():
    # 绘制文本的位置
    menu_pos_1 = (10, 20)
    menu_pos_2 = (10, 40)
    menu_pos_3 = (10, 60)
    # 菜单项
    info_1 = "use left click of the mouse to select the object to track"
    info_2 = "use '1' to start tracking, '2' to reset tracking and 'q' to exit"

    # 绘制菜单信息
    cv2.puttext(frame, "use '1' to re-initialize tracking", menu_pos_1, cv2.font_hershey_simplex, 0.5, (255, 255, 255))
    cv2.puttext(frame, info_2, menu_pos_2, cv2.font_hershey_simplex, 0.5, (255, 255, 255))
    if tracking_state:
        cv2.puttext(frame, "tracking", menu_pos_3, cv2.font_hershey_simplex, 0.5, (0, 255, 0))
    else:
        cv2.puttext(frame, "not tracking", menu_pos_3, cv2.font_hershey_simplex, 0.5, (0, 0, 255))

# 用于保存要跟踪的对象坐标的结构
points = []

def mouse_event_handler(event, x, y, flags, param):
    # 对全局变量的引用
    global points
    # 添加要跟踪的对象的左上角坐标
    if event == cv2.event_lbuttondown:
        points = [(x, y)]
    # 添加要跟踪的对象的右下角坐标:
    elif event == cv2.event_lbuttonup:
        points.append((x, y))
# 创建视频捕获对象
capture = cv2.videocapture(0)

# 窗口名
window_name = "object tracking using dlib correlation filter algorithm"
# 创建窗口
cv2.namedwindow(window_name)
# 绑定鼠标事件
cv2.setmousecallback(window_name, mouse_event_handler)

# 初始化跟踪器
tracker = dlib.correlation_tracker()
tracking_state = false
while true:
    # 捕获视频帧
    ret, frame = capture.read()
    # 绘制菜单项
    draw_text_info()

    # 设置并绘制一个矩形,跟踪矩形框内的对象
    if len(points) == 2:
        cv2.rectangle(frame, points[0], points[1], (0, 0, 255), 3)
        dlib_rectangle = dlib.rectangle(points[0][0], points[0][1], points[1][0], points[1][1])

    if tracking_face is true:
        # 更新跟踪器并打印测量跟踪器的置信度
        print(tracker.update(frame))
        # 获取被跟踪对象的位置
        pos = tracker.get_position()
        # 绘制被跟踪对象的位置
        cv2.rectangle(frame, (int(pos.left()), int(pos.top())), (int(pos.right()), int(pos.bottom())), (0, 255, 0), 3)

    # 捕获键盘事件
    key = 0xff & cv2.waitkey(1)

    # 按下 1 键,开始追踪
    if key == ord("1"):
        if len(points) == 2:
            # start tracking:
            tracker.start_track(frame, dlib_rectangle)
            tracking_state = true
            points = []
    # 按下 2 键,停止跟踪
    if key == ord("2"):
        points = []
        tracking_state = false
    # 按下 q 键,返回
    if key == ord('q'):
        break

    # 展示结果图像
    cv2.imshow(window_name, frame)

# 释放资源
capture.release()
cv2.destroyallwindows()

小结

dlib 库实现了基于 dcf 的跟踪器,非常适合用于进行人脸追踪,使用 dlib.correlation_tracker() 函数初始化跟踪器,tracker.start_track() 函数用于开始追踪对象,tracker.update() 函数更新追踪器并且返回追踪器置信度,若要获取被跟踪对象的位置需要使用 tracker.get_position() 函数。

 以上就是python+opencv实战之人脸追踪详解的详细内容,更多关于python opencv 人脸追踪的资料请关注其它相关文章!