人臉檢測python

『壹』 如何線上部署用python基於dlib寫的人臉識別演算法

python使用dlib進行人臉檢測與人臉關鍵點標記

Dlib簡介：

首先給大家介紹一下Dlib

我使用的版本是dlib-18.17,大家也可以在我這里下載：

之後進入python_examples下使用bat文件進行編譯，編譯需要先安裝libboost-python-dev和cmake

cd to dlib-18.17/python_examples

./compile_dlib_python_mole.bat 123

之後會得到一個dlib.so，復制到dist-packages目錄下即可使用

這里大家也可以直接用我編譯好的.so庫,但是也必須安裝libboost才可以，不然python是不能調用so庫的，下載地址：

將.so復制到dist-packages目錄下

sudo cp dlib.so /usr/local/lib/python2.7/dist-packages/1

最新的dlib18.18好像就沒有這個bat文件了，取而代之的是一個setup文件，那麼安裝起來應該就沒有這么麻煩了，大家可以去直接安裝18.18，也可以直接下載復制我的.so庫，這兩種方法應該都不麻煩～

有時候還會需要下面這兩個庫，建議大家一並安裝一下

9.安裝skimage

sudo apt-get install python-skimage1

10.安裝imtools

sudo easy_install imtools1

Dlib face landmarks Demo

環境配置結束之後，我們首先看一下dlib提供的示常式序

1.人臉檢測

dlib-18.17/python_examples/face_detector.py 源程序：

#!/usr/bin/python# The contents of this file are in the public domain. See LICENSE_FOR_EXAMPLE_PROGRAMS.txt## This example program shows how to find frontal human faces in an image. In# particular, it shows how you can take a list of images from the command# line and display each on the screen with red boxes overlaid on each human# face.## The examples/faces folder contains some jpg images of people. You can run# this program on them and see the detections by executing the# following command:# ./face_detector.py ../examples/faces/*.jpg## This face detector is made using the now classic Histogram of Oriented# Gradients (HOG) feature combined with a linear classifier, an image# pyramid, and sliding window detection scheme. This type of object detector# is fairly general and capable of detecting many types of semi-rigid objects# in addition to human faces. Therefore, if you are interested in making# your own object detectors then read the train_object_detector.py example# program. ### COMPILING THE DLIB PYTHON INTERFACE# Dlib comes with a compiled python interface for python 2.7 on MS Windows. If# you are using another python version or operating system then you need to# compile the dlib python interface before you can use this file. To do this,# run compile_dlib_python_mole.bat. This should work on any operating# system so long as you have CMake and boost-python installed.# On Ubuntu, this can be done easily by running the command:# sudo apt-get install libboost-python-dev cmake## Also note that this example requires scikit-image which can be installed# via the command:# pip install -U scikit-image# Or downloaded from . import sys

import dlib

from skimage import io

detector = dlib.get_frontal_face_detector()

win = dlib.image_window()

print("a");for f in sys.argv[1:]:

print("a");

print("Processing file: {}".format(f))
img = io.imread(f)
# The 1 in the second argument indicates that we should upsample the image
# 1 time. This will make everything bigger and allow us to detect more
# faces.
dets = detector(img, 1)
print("Number of faces detected: {}".format(len(dets))) for i, d in enumerate(dets):
print("Detection {}: Left: {} Top: {} Right: {} Bottom: {}".format(
i, d.left(), d.top(), d.right(), d.bottom()))

win.clear_overlay()
win.set_image(img)
win.add_overlay(dets)
dlib.hit_enter_to_continue()# Finally, if you really want to you can ask the detector to tell you the score# for each detection. The score is bigger for more confident detections.# Also, the idx tells you which of the face sub-detectors matched. This can be# used to broadly identify faces in different orientations.if (len(sys.argv[1:]) > 0):
img = io.imread(sys.argv[1])
dets, scores, idx = detector.run(img, 1) for i, d in enumerate(dets):
print("Detection {}, score: {}, face_type:{}".format(
d, scores[i], idx[i]))5767778798081

我把源代碼精簡了一下，加了一下注釋： face_detector0.1.py

# -*- coding: utf-8 -*-import sys

import dlib

from skimage import io#使用dlib自帶的frontal_face_detector作為我們的特徵提取器detector = dlib.get_frontal_face_detector()#使用dlib提供的圖片窗口win = dlib.image_window()#sys.argv[]是用來獲取命令行參數的，sys.argv[0]表示代碼本身文件路徑，所以參數從1開始向後依次獲取圖片路徑for f in sys.argv[1:]: #輸出目前處理的圖片地址
print("Processing file: {}".format(f)) #使用skimage的io讀取圖片
img = io.imread(f) #使用detector進行人臉檢測 dets為返回的結果
dets = detector(img, 1) #dets的元素個數即為臉的個數
print("Number of faces detected: {}".format(len(dets))) #使用enumerate 函數遍歷序列中的元素以及它們的下標
#下標i即為人臉序號
#left：人臉左邊距離圖片左邊界的距離 ；right：人臉右邊距離圖片左邊界的距離
#top：人臉上邊距離圖片上邊界的距離 ；bottom：人臉下邊距離圖片上邊界的距離
for i, d in enumerate(dets):
print("dets{}".format(d))
print("Detection {}: Left: {} Top: {} Right: {} Bottom: {}"
.format( i, d.left(), d.top(), d.right(), d.bottom())) #也可以獲取比較全面的信息，如獲取人臉與detector的匹配程度
dets, scores, idx = detector.run(img, 1)
for i, d in enumerate(dets):
print("Detection {}, dets{},score: {}, face_type:{}".format( i, d, scores[i], idx[i]))

#繪制圖片(dlib的ui庫可以直接繪制dets)
win.set_image(img)
win.add_overlay(dets) #等待點擊
dlib.hit_enter_to_continue()041424344454647484950

分別測試了一個人臉的和多個人臉的，以下是運行結果：

運行的時候把圖片文件路徑加到後面就好了

python face_detector0.1.py ./data/3.jpg12

一張臉的：

兩張臉的：

這里可以看出側臉與detector的匹配度要比正臉小的很多

2.人臉關鍵點提取

人臉檢測我們使用了dlib自帶的人臉檢測器（detector），關鍵點提取需要一個特徵提取器（predictor），為了構建特徵提取器，預訓練模型必不可少。

除了自行進行訓練外，還可以使用官方提供的一個模型。該模型可從dlib sourceforge庫下載：

arks.dat.bz2

也可以從我的連接下載：

這個庫支持68個關鍵點的提取，一般來說也夠用了，如果需要更多的特徵點就要自己去訓練了。

dlib-18.17/python_examples/face_landmark_detection.py 源程序：

#!/usr/bin/python# The contents of this file are in the public domain. See LICENSE_FOR_EXAMPLE_PROGRAMS.txt## This example program shows how to find frontal human faces in an image and# estimate their pose. The pose takes the form of 68 landmarks. These are# points on the face such as the corners of the mouth, along the eyebrows, on# the eyes, and so forth.## This face detector is made using the classic Histogram of Oriented# Gradients (HOG) feature combined with a linear

『貳』 人臉識別為什麼用python開發

可以使用OpenCV，OpenCV的人臉檢測功能在一般場合還是不錯的。而ubuntu正好提供了python-opencv這個包，用它可以方便地實現人臉檢測的代碼。

寫代碼之前應該先安裝python-opencv：

#!/usr/bin/python
#-*-coding:UTF-8-*-

#face_detect.py

#FaceDetectionusingOpenCV.Basedonsamplecodefrom:
#http://python.pastebin.com/m76db1d6b

#Usage:pythonface_detect.py<image_file>

importsys,os
fromopencv.cvimport*
fromopencv.highguiimport*
fromPILimportImage,ImageDraw
frommathimportsqrt

defdetectObjects(image):
""""""
grayscale=cvCreateImage(cvSize(image.width,image.height),8,1)
cvCvtColor(image,grayscale,CV_BGR2GRAY)

storage=cvCreateMemStorage(0)
cvClearMemStorage(storage)
cvEqualizeHist(grayscale,grayscale)

cascade=cvLoadHaarClassifierCascade(
'/usr/share/opencv/haarcascades/haarcascade_frontalface_default.xml',
cvSize(1,1))
faces=cvHaarDetectObjects(grayscale,cascade,storage,1.1,2,
CV_HAAR_DO_CANNY_PRUNING,cvSize(20,20))

result=[]
forfinfaces:
result.append((f.x,f.y,f.x+f.width,f.y+f.height))

returnresult

defgrayscale(r,g,b):
returnint(r*.3+g*.59+b*.11)

defprocess(infile,outfile):

image=cvLoadImage(infile);
ifimage:
faces=detectObjects(image)

im=Image.open(infile)

iffaces:
draw=ImageDraw.Draw(im)
forfinfaces:
draw.rectangle(f,outline=(255,0,255))

im.save(outfile,"JPEG",quality=100)
else:
print"Error:cannotdetectfaceson%s"%infile

if__name__=="__main__":
process('input.jpg','output.jpg')

『叄』 Python太好用了！AI初學者快速體驗人臉檢測

我們使用python進行AI識別測試，具體方式是是開啟本地電腦的攝像頭進行實時的識別，或者直接傳入一張圖片進行行人檢測，在分析代碼把數據源傳入到識別，看到的是source=』0』，但是這個參數是打開本地電腦的攝像頭流，再進行行人檢測。

但我們需要對此處進行修改，使用rtsp流，進行AI行人識別，下面需要進行分析代碼，找到可以修改的地方，或者摸個參數，來進行RTSP流的修改。

已經找到了視頻流在哪裡傳進去的了，下面就是進行分析裡面的代碼進行改成rtsp流，把rtsp流寫進去，來做到實時分析，實現行人檢測的效果。

在進行分析的時候，發現source這個參數只有LoadStreams用到過，而且是直接傳進去的。

進入source參數裡面查看，發現裡面有一個默認的值，就是讀文件，如果不是文件，就把source=[source]，再進行source值遍歷。在遍歷中還使用到了opencv打開本地電腦的攝像機流，再開一個線程進行實時行人識別。

代碼中使用了opencv中cv2.VideoCapture的函數，從網上查找這個函數的用法得知，此函數是可以直接傳入rtsp流地址的，所以問題解決就簡單多了。cv2.VideoCapture這個函數是可以傳入rtsp地址的，所以傳入rtsp地址進行嘗試，發現傳入rtsp地址是沒有問題的。

只要修改source這個參數即可，最終實現了檢測：

『肆』 opencv用c++還是python好

python更好。

opencv內置支持的主要語言為python和c++，如果你用戶不是特別大）（比如10000次以上的人臉識別每秒），一般python就綽綽有餘了。當然如果是安卓客戶端的話，還是c++或java方便點，如果是後台或者樹莓派之類的，python就更方便。

這里有個python的例子。

opencv 3.3+已經內置了人臉識別功能。

可以很輕松的完成相關畢業設計。

使用OpenCV提供的預先訓練的深度學習面部檢測器模型，可快速，准確的進行人臉識別。

Python優點：

學習難易：Python與C++對比是一門易於學習的語言所以很適合作為第一門語言來學習編程。

可視化調試：Matplotlib進行結果可視化這方法，與C++的窗體調試比起來那是好了很多啊。

『伍』 python人臉識別代碼怎麼寫

檢查cv2是否存在（看報錯）。如果不存在，用pip install cv2安裝。如果存在，請核對代碼是否存在語法錯誤。

『陸』 python人臉檢測的程序報錯 line 15, in <mole> if faces: NameError: name 'faces' is not defined

faces 是定義在detectObject函數的局部變數，函數外不能訪問。

類似：

deftest():
a=[1,2,3,4]
printa

執行上面的代碼，a就是undefined的。

『柒』 html如何調用python的opencv人臉識別

html嵌入python代碼(python做人臉識別)
2022-07-31 14:19:00閱讀 2300
大家好，又見面了，我是你們的朋友全棧君。

最近閑來無事，研究研究在安卓上跑Python。

想起以前玩過的kivy技術，kivy[1]是一個跨平台的UI框架。當然對我們最有用的是，kivy可以把python代碼打包成安卓App。但是由於安卓打包的工具鏈很長，包括android sdk打包java代碼、ndk編譯python、 編譯各種python依賴包，經常花一整天從入門到放棄。這次使出認真研究的心態，終於找到一個解決方案，於是有了這篇文章：

•只要會python就能寫安卓App，無需安卓開發基礎，無需編譯•手機上也有互動式python解釋器，直接調試python代碼•可以使用各種python庫，包括numpy/opencv等機器學習包•可以與安卓介面交互，使用手機硬體，比如攝像頭

那麼我們就以人臉識別App為例，看看如何簡單幾步搞定。先看看成品的效果：


第一步：安裝airport.apk

AirPort是我編譯好的一個安卓App，裡麵包含了python解釋器和一些常用的python庫。

第二步：連接手機的python解釋器

啟動手機上的AirPort應用，就會運行python解釋器。我內置了一個ssh伺服器，用於調試代碼非常方便。應用啟動時會顯示手機的ip地址。


在電腦上使用ssh命令，就可以連接到手機。

注意：確保你的手機和電腦在同一區域網中。

#在電腦上連接手機，注意這里ip需要替換成AirPort顯示的ipssh -p 8000 [email protected]#輸入密碼meteorix

然後你就可以在手機上盡情使用python了，比如試試

>>>import os>>>os.getcwd()』/data/data/org.airtest.airport/files/app』>>>import requests>>>r = requests.get(「https://www..com」)>>>r.status_code200

第三步: 一個攝像頭的App

在kivy的官方文檔中，我們可以找到這樣一個攝像頭的example[2]

代碼非常簡單，Builder.load_string函數載入了一段配

『捌』 關於Python中 人臉檢測中的問題

打錯了，前面是face後面是faces

『玖』 python人臉識別所用的優化演算法有什麼

python三步實現人臉識別

Face Recognition軟體包

這是世界上最簡單的人臉識別庫了。你可以通過Python引用或者命令行的形式使用它，來管理和識別人臉。

該軟體包使用dlib中最先進的人臉識別深度學習演算法，使得識別准確率在《Labled Faces in the world》測試基準下達到了99.38%。

它同時提供了一個叫face_recognition的命令行工具，以便你可以用命令行對一個文件夾中的圖片進行識別操作。

特性

在圖片中識別人臉

找到圖片中所有的人臉

這里是一個例子：