人脸检测方法有许多，比如opencv自带的人脸haar特征分类器和dlib人脸检测方法等。对于opencv的人脸检测方法，有点是简单，快速；存在的问题是人脸检测效果不好。正面/垂直/光线较好的人脸，该方法可以检测出来，而侧面/歪斜/光线不好的人脸，无法检测。因此，该方法不适合现场应用。对于dlib人脸检测方法 ，效果好于opencv的方法，但是检测力度也难以达到现场应用标准。
mtcnn是基于深度学习的人脸检测方法，对自然环境中光线，角度和人脸表情变化更具有鲁棒性，人脸检测效果更好；同时，内存消耗不大，可以实现实时人脸检测。
代码如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
|
from scipy import misc import tensorflow as tf import detect_face import cv2 import matplotlib.pyplot as plt %pylab inline minsize = 20 # minimum size of face threshold = [ 0.6, 0.7, 0.7 ] # three steps's threshold factor = 0.709 # scale factor gpu_memory_fraction=1.0 print('creating networks and loading parameters') with tf.graph().as_default(): gpu_options = tf.gpuoptions(per_process_gpu_memory_fraction=gpu_memory_fraction) sess = tf.session(config=tf.configproto(gpu_options=gpu_options, log_device_placement=false)) with sess.as_default(): pnet, rnet, onet = detect_face.create_mtcnn(sess, none) image_path = '/home/cqh/facedata/multi_face/multi_face3.jpg' img = misc.imread(image_path) bounding_boxes, _ = detect_face.detect_face(img, minsize, pnet, rnet, onet, threshold, factor) nrof_faces = bounding_boxes.shape[0]#人脸数目 print('找到人脸数目为：{}'.format(nrof_faces)) print(bounding_boxes) crop_faces=[] for face_position in bounding_boxes: face_position=face_position.astype(int) print(face_position[0:4]) cv2.rectangle(img, (face_position[0], face_position[1]), (face_position[2], face_position[3]), (0, 255, 0), 2) crop=img[face_position[1]:face_position[3], face_position[0]:face_position[2],] crop = cv2.resize(crop, (96, 96), interpolation=cv2.inter_cubic ) print(crop.shape) crop_faces.append(crop) plt.imshow(crop) plt.show() plt.imshow(img) plt.show() |
实验效果如下：
再上一组效果图：
关于mtcnn，更多资料可以点击链接
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/Mr_EvanChen/article/details/77650883
