人脸检测实战：使用opencv加载深度学习模型实现人脸检测

https://raw.githubusercontent.com/opencv/opencv_3rdparty/dnn_samples_face_detector_20180205_fp16/res10_300x300_ssd_iter_140000_fp16.caffemodel

使用使用 Caffe 训练的模型进行深度学习时，需要这两个文件。 但是，您只能在 GitHub 存储库中找到 prototxt 文件。

权重文件不包含在 OpenCVsamples 目录中，需要更多的挖掘才能找到它们……

使用 OpenCV 和深度学习在图像中进行人脸检测

====================================================================================

在第一个示例中，我们将学习如何将 OpenCV 的人脸检测应用于单个输入图像。 在下一节中，我们将学习如何修改此代码并将 OpenCV 的人脸检测应用于视频、视频流和网络摄像头。 打开一个新文件，将其命名为 detect_faces.py ，并插入以下代码：

import the necessary packages

import numpy as np

import argparse

import cv2

construct the argument parse and parse the arguments

ap = argparse.ArgumentParser()

ap.add_argument(“-i”, “–image”, required=True,

help=“path to input image”)

ap.add_argument(“-p”, “–prototxt”, required=True,

help=“path to Caffe ‘deploy’ prototxt file”)

ap.add_argument(“-m”, “–model”, required=True,

help=“path to Caffe pre-trained model”)

ap.add_argument(“-c”, “–confidence”, type=float, default=0.5,

help=“minimum probability to filter weak detections”)

args = vars(ap.parse_args())

导入所需的包并解析命令行参数。 我们有三个必需的参数：

–image ：输入图像的路径。

–prototxt ：Caffe prototxt 文件的路径。

–model ：预训练 Caffe 模型的路径。

可选参数 --confidence 可以覆盖默认阈值 0.5。 从那里让我们加载我们的模型并从我们的图像创建一个 blob：

load our serialized model from disk

print(“[INFO] loading model…”)

net = cv2.dnn.readNetFromCaffe(args[“prototxt”], args[“model”])