for (i, imagePath) in enumerate(imagePaths):
extract the person name from the image path
print(“processing image {}/{}”.format(i + 1,len(imagePaths)))
name = imagePath.split(os.path.sep)[-2]
加载图像,将其调整为宽度为 600 像素(同时保持纵横比),然后抓取图像尺寸
image = cv2.imread(imagePath)
image = resize(image, width=600)
(h, w) = image.shape[:2]
从图像构建一个 blob
imageBlob = cv2.dnn.blobFromImage(
cv2.resize(image, (300, 300)), 1.0, (300, 300),
(104.0, 177.0, 123.0), swapRB=False, crop=False)
使用 OpenCV 的基于深度学习的人脸检测器来定位输入图像中的人脸
detector.setInput(imageBlob)
detections = detector.forward()
ensure at least one face was found
if len(detections) > 0:
假设每个图像只有一张脸,所以找到概率最大的边界框
i = np.argmax(detections[0, 0, :, 2])
confidence = detections[0, 0, i, 2]
确保最大概率的检测也意味着我们的最小概率测试(从而帮助过滤掉弱检测)
if confidence > confidence_low:
计算人脸边界框的 (x, y) 坐标
box = detections[0, 0, i, 3:7] * np.array([w, h, w, h])
(startX, startY, endX, endY) = box.astype(“int”)
提取人脸ROI并抓取ROI维度
face = image[startY:endY, startX:endX]
(fH, fW) = face.shape[:2]
确保人脸宽度和高度足够大
if fW < 20 or fH < 20:
continue
为人脸 ROI 构造一个 blob,然后将 blob 通过我们的人脸嵌入模型来获得人脸的 128-d 量化
faceBlob = cv2.dnn.blobFromImage(face, 1.0 / 255,
(96, 96), (0, 0, 0), swapRB=True, crop=False)
embedder.setInput(faceBlob)
vec = embedder.forward()
将人名+对应的人脸嵌入添加到各自的列表中
knownNames.append(name)
knownEmbeddings.append(vec.flatten())
total += 1
保存编码文件
print(“serializing {} encodings…”.format(total))
data = {“embeddings”: knownEmbeddings, “names”: knownNames}
f = open(embeddings_path, “wb”)
f.write(pickle.dumps(data))
f.close()
加载人脸检测器和编码器:
检测器:使用基于Caffe的DL人脸检测器来定位图像中的人脸。
编码器:模型基于Torch,负责通过深度学习特征提取来提取人脸编码。
接下来,让我们抓取图像路径并执行初始化。
遍历 imagePaths。从路径中提取人名。
构造了一个 blob。
然后,通过将 imageBlob 通过检测器网络来检测图像中的人脸。
检测列表包含定位图像中人脸的概率和坐标。
假设我们至少有一个检测,将进入 if 语句的主体。
假设图像中只有一张脸,因此提取具有最高置信度的检测并检查以确保置信度满足用于过滤弱检测的最小概率阈值。
假设已经达到了这个阈值,提取面部 ROI 并抓取/检查尺寸以确保面部 R