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

20行代码实现人脸检测

程序员文章站 2022-07-12 20:17:38
...

如今,“刷脸”已经成为人们生活中的日常,刷脸支付、人脸解锁、门禁等,都运用了人脸识别技术。人脸识别技术已广泛应用于金融、司法、*、教育、医疗等诸多领域,同时也涌现出如:旷视科技、商汤科技等一批优秀的企业。

人脸识别算法主要分为三个流程:

  • 人脸检测(Face Detection)
  • 人脸对齐(Face Alignment)
  • 人脸特征表征(Feature Representation)

本文我们主要针对人脸检测这一部分,利用OpenCV和face_recognition库分别实现图片中的人脸检测。

开发环境

  • Windows 10(x64)
  • OpenCV 4.1.0.25
  • face_recognition 1.2.3

使用OpenCV进行人脸检测

OpenCV实现人脸检测的主要思路为:

  • 将图片转换成灰度图(降为一维的灰度,减低计算强度)
  • 使用训练分类器查找人脸
  • 图片上画矩形

图片转为灰度图

使用OpenCV的cvtColor()方法转换图片颜色

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

使用训练分类器查找人脸

在使用OpenCV的人脸检测之前,需要一个人脸训练模型,格式为xml。

我们这里使用OpenCV提供好的人脸分类模型xml,下载地址如下:
https://github.com/opencv/opencv/tree/master/data/haarcascades

图片上画矩形

使用OpenCV的rectangle()绘制矩形

完整代码

# 使用OpenCV进行人脸检测
import cv2
from matplotlib import pyplot as plt

imagePath = './test_face_detection.jpg'
# 引入OpenCV提供的人脸分类模型xml
cascPath = './haarcascade_frontalface_default.xml'
# Create the haar cascade
faceCascade = cv2.CascadeClassifier(cascPath)

# 读取图像并转为灰度图
image = cv2.imread(imagePath)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 检测图片中的人脸
faces = faceCascade.detectMultiScale(
  gray,
  scaleFactor=1.1,
  minNeighbors=4,
  minSize=(30, 30)
)
color = (0, 255, 0)
# 用矩形框将人脸框出来
for (x, y, w, h) in faces:
  cv2.rectangle(image, (x, y), (x+w, y+h), color, 2)

plt.title("Found {0} faces!".format(len(faces)))
plt.axis("off")
plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
plt.show()

检测结果

20行代码实现人脸检测

参数说明

  • gray:转换的灰度图
  • scaleFactor:图像缩放比例,可理解为相机的x倍镜
  • minNeighbors:对特征检测点周边多少有效点同时检测,这样可避免因选取的特征检测点太小而导致遗漏
  • minSize:特征检测点的最小尺寸

使用face_recognition库进行人脸检测

face_recognition库是使用Dlib最先进的面部识别功能构建而成,具有深度学习功能。该模型在LFW上的准确率为99.38%。

检测结果

20行代码实现人脸检测
从上面的结果来看,face_recognition库的检测准确率比OpenCV的高。

完整代码

# 使用face_recognition库进行人脸检测
import face_recognition
import cv2
from matplotlib import pyplot as plt

imagePath = './test_face_detection.jpg'

# 使用face_recognition加载图片,并检测人脸
image = face_recognition.load_image_file(imagePath)
#检测图片中所有人脸
face_locations = face_recognition.face_locations(image)

# 用矩形框框出检测到的人脸
for (top, right, bottom, left) in face_locations:
  cv2.rectangle(image, (left, top), (right, bottom), (0, 255, 0), 2)

plt.title("Found {0} faces!".format(len(face_locations)))
plt.axis("off")
plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
plt.show()

识别人脸关键点

调用face_recognition.face_landmarks()方法即可得到人脸特征点, 返回一个字典, 下图是返回的数据, 包括chin(下巴), left_eye(左眼)等。

{'chin': [(184, 182), (187, 198), (191, 213), (196, 229), (202, 243), (211, 256), (223, 266), (236, 275), (251, 277), (267, 273), (281, 263), (295, 251), (304, 236), (308, 219), (309, 201), (311, 184), (311, 167)], 'left_eyebrow': [(192, 170), (199, 163), (210, 162), (220, 163), (231, 166)], 'right_eyebrow': [(246, 163), (258, 158), (269, 155), (281, 155), (291, 160)], 'nose_bridge': [(240, 177), (240, 187), (240, 197), (241, 208)], 'nose_tip': [(233, 217), (238, 218), (243, 219), (248, 217), (254, 215)], 'left_eye': [(205, 181), (211, 177), (219, 177), (226, 180), (219, 183), (211, 183)], 'right_eye': [(258, 177), (264, 172), (272, 172), (279, 174), (273, 178), (265, 178)], 'top_lip': [(228, 242), (234, 236), (240, 231), (245, 232), (250, 230), (258, 233), (267, 238), (263, 238), (251, 237), (246, 238), (241, 238), (232, 242)], 'bottom_lip': [(267, 238), (259, 243), (252, 247), (247, 248), (241, 248), (235, 246), (228, 242), (232, 242), (241, 239), (246, 239), (251, 238), (263, 238)]}

人脸关键点检测结果20行代码实现人脸检测

完整代码

# 调用face_recognition.face_landmarks()方法得到人脸特征点
import face_recognition
import cv2
from matplotlib import pyplot as plt

imagePath = './test_face_landmarks.jpg'

image = face_recognition.load_image_file(imagePath)
face_landmarks_list = face_recognition.face_landmarks(image)

for each in face_landmarks_list:
  for i in each.keys():
    for any in each[i]:
      image = cv2.circle(image, any, 2, (0, 255, 0), 1)

plt.title("Face landmarks")
plt.axis("off")
plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
plt.show()

本文只是使用OpenCV和face_recognition库进行实现简单的人脸检测,基于此我们还可以进行许多好玩的事情,比如:脸部轮廓绘制、数字化妆、头像特效合成等等。

上述人脸检测demo的github地址:
https://github.com/HamptonChen/tensorflow-learning/tree/master/face_detection


扫一扫下方二维码,关注作者的个人博客和微信公众号
个人博客: 代码视界
微信公众号:代码视界
20行代码实现人脸检测