資訊專欄INFORMATION COLUMN
摘要：行代碼的人臉識(shí)別看了行的人臉識(shí)別一文后，簡(jiǎn)單嘗試了一下，發(fā)現(xiàn)識(shí)別準(zhǔn)確度不夠。膜拜完大神，直接開(kāi)干首先，安裝以及相關(guān)依賴工具代碼略作改動(dòng)執(zhí)行之后效果是這樣的完美識(shí)別結(jié)論如果要做人臉識(shí)別的話，建議選擇，而不要選擇。
7行代碼(OpenCV)的人臉識(shí)別
看了《7行Python的人臉識(shí)別》一文后，簡(jiǎn)單嘗試了一下，發(fā)現(xiàn)識(shí)別準(zhǔn)確度不夠。原始圖像如下：
識(shí)別后的結(jié)果：
把酒杯識(shí)別成了人臉，而該是人臉的又沒(méi)有識(shí)別出來(lái)，還多余識(shí)別了一條褲子。
檢查代碼，最關(guān)鍵是第2條語(yǔ)句：
face_patterns = cv2.CascadeClassifier("/usr/local/opt/opencv/share/OpenCV/haarcascades/haarcascade_frontalface_default.xml")
我們檢查/usr/local/opt/opencv/share/OpenCV這個(gè)目錄，發(fā)現(xiàn)它下面的內(nèi)容是這樣的：
下面有2個(gè)子目錄，分別是haarcascades和lbpcascades，這里面還包括了眼睛識(shí)別，鼻子識(shí)別，嘴巴識(shí)別等等，甚至還有貓臉識(shí)別，此外，光人臉識(shí)別就有好幾種：frontalface_default, frontalface_alt, frontalface_alt2, frontalface_alt_tree等等，你可以挨個(gè)試一下（我試的結(jié)果是哪個(gè)也不準(zhǔn)確）。實(shí)際上就是OpenCV通過(guò)Haar特征和LBP特征預(yù)置了一些事先做好的結(jié)果以方便用戶調(diào)用。關(guān)于這些特征是如何提取的，可以參見(jiàn)《圖像特征提取三大法寶：HOG特征，LBP特征，Haar特征》。
那我們把第2條語(yǔ)句換成LBP試一下呢？
face_patterns = cv2.CascadeClassifier("/usr/local/opt/opencv/share/OpenCV/lbpcascades/lbpcascade_frontalface.xml")
結(jié)果也并不理想，不是沒(méi)有把人臉識(shí)別出來(lái)，就是把杯子識(shí)別成了人臉，不是多了就是少了，總是不能正確識(shí)別所有人臉。
10行代碼(dlib)的人臉識(shí)別那么有沒(méi)有辦法提高人臉識(shí)別的準(zhǔn)確度呢？無(wú)意中發(fā)現(xiàn)了dlib這個(gè)神器，它實(shí)現(xiàn)了一篇大牛論文《One Millisecond Face Alignment with an Ensemble of Regression Trees》里的算法，論文標(biāo)題就叫《用集成回歸樹(shù)實(shí)現(xiàn)一毫秒的人臉識(shí)別》，可見(jiàn)作者的自信。
膜拜完大神，直接開(kāi)干！首先，安裝dlib以及相關(guān)依賴工具:
brew install boost brew install boost-python pip install dlib pip install scikit-image
代碼略作改動(dòng)：
import dlib
from skimage import io
from skimage.draw import polygon_perimeter
detector = dlib.get_frontal_face_detector()
sample_image = io.imread("/Users/zhangjing/Desktop/IMG_5528.jpg")
faces = detector(sample_image, 1)
for d in faces:
rr, cc = polygon_perimeter([d.top(), d.top(), d.bottom(), d.bottom()], [d.right(), d.left(), d.left(), d.right()])
sample_image[rr, cc] = (0, 255, 0)
io.imsave("/Users/zhangjing/Desktop/IMG_5528_detected_dlib.jpg", sample_image)
執(zhí)行之后效果是這樣的：
完美識(shí)別！
結(jié)論：如果要做人臉識(shí)別的話，建議選擇dlib，而不要選擇OpenCV。
文章版權(quán)歸作者所有，未經(jīng)允許請(qǐng)勿轉(zhuǎn)載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。
轉(zhuǎn)載請(qǐng)注明本文地址：http://systransis.cn/yun/40691.html
摘要：看了行實(shí)現(xiàn)更快更準(zhǔn)的人臉識(shí)別后，發(fā)現(xiàn)太短小精悍了，所以打算不用來(lái)實(shí)現(xiàn)人臉的的特征點(diǎn) 看了 10行Python實(shí)現(xiàn)更快更準(zhǔn)的人臉識(shí)別后，發(fā)現(xiàn)dlib太短小精悍了，所以打算不用opencv來(lái)實(shí)現(xiàn)人臉的68的特征點(diǎn) # -*- coding: UTF-8 -*- import dlib from skimage import io import matplotlib.pyplot as pl...
摘要：可預(yù)見(jiàn)的未來(lái)激情賽事已經(jīng)過(guò)半，阿里云視頻技術(shù)在本次世界杯中也成功落地，而這并不是結(jié)局，這是將視頻應(yīng)用于體育行業(yè)以及更多其他行業(yè)的開(kāi)端。 本屆世界杯互聯(lián)網(wǎng)直播的順利進(jìn)行，離不開(kāi)各大云計(jì)算廠商的支持。在這其中，阿里云是當(dāng)之無(wú)愧的C位，除了優(yōu)酷外，阿里云還支撐了CNTV、CCTV5客戶端，為全網(wǎng)70%的世界杯直播流量保駕護(hù)航。 對(duì)于世界杯這種超大觀看量級(jí)、超強(qiáng)影響力的重要體育賽事，阿里云一直...
摘要：上一個(gè)筆記主要是講了的原理，并給出了二維圖像降一維的示例代碼。當(dāng)我使用這種方法實(shí)現(xiàn)時(shí)，程序運(yùn)行出現(xiàn)錯(cuò)誤，發(fā)現(xiàn)是對(duì)負(fù)數(shù)開(kāi)平方根產(chǎn)生了錯(cuò)誤，也就是說(shuō)對(duì)協(xié)方差矩陣求得的特征值中包含了負(fù)數(shù)。而能夠用于任意乘矩陣的分解，故適用范圍更廣。 上一個(gè)筆記主要是講了PCA的原理，并給出了二維圖像降一維的示例代碼。但還遺留了以下幾個(gè)問(wèn)題： 在計(jì)算協(xié)方差和特征向量的方法上，書上使用的是一種被作者稱為com...
摘要：上一篇文章的地址利用進(jìn)行識(shí)別相似圖片一安裝官網(wǎng)在進(jìn)行下一步操作時(shí)，我們需要安裝，本來(lái)安裝的步驟跟平常安裝其他模塊一樣，而然由于的歷史原因用過(guò)都懂，弄得一點(diǎn)都不友好。 前言 和網(wǎng)上各種首先你要有一個(gè)女朋友的系列一樣，想進(jìn)行人臉判斷，首先要有臉，只要能靠確定人臉的位置，那么進(jìn)行兩張人臉是否相似的操作便迎刃而解了。 所以本篇文章著重講述如何利用openCV定位人臉。 上一篇文章的地址： 利用...
閱讀 3558·2021-11-08 13:15
閱讀 2115·2019-08-30 14:20
閱讀 1398·2019-08-28 18:08
閱讀 990·2019-08-28 17:51
閱讀 1499·2019-08-26 18:26
閱讀 3003·2019-08-26 13:56
閱讀 1499·2019-08-26 11:46
閱讀 2595·2019-08-23 14:22
