Dlib在VS2015上的编译和配置(人脸检测人脸识别比OpenCV更好用)

内容详细

一、Dlib简介

Dlib是基于现代C++的一个跨平台通用的框架,作者非常厉害而且非常勤奋,一直在保持更新。最近作者忙于更新dnn方面的内容,虽然我觉得dnn的接口非常不友好。Dlib内容非常丰富,包括但不仅限于机器学习、图像处理、数值算法、数据压缩等等,更重要的是,Dlib的文档非常完善,例子非常丰富。

Dlib提供的人脸检测比OpenCV的人脸检测模型更好用。而且Dlib提供了OpenCV没有的人脸关键点检测方法(现在有了,刚出现在contrib模块里)和基于深度学习的人脸识别工具。而且提供了比OpenCV更加完善的机器学习和深度学习的模块。而且可以和OpenCV结合使用,二者的图像可以方便地转换。我曾基于dlib尝试过很多关于人脸的程序:人脸检测、人脸关键点提取、颜值预测、换脸算法和人脸识别。

二、编译Dlib

之前也曾介绍过Python下dlib的编译安装方法,但是用Python调用dlib需要先编译boost。非常麻烦,还是用C++更简单一些。但是虽说简单,如果没有找对教程的话,也许会更加麻烦。我当初找到的dlib的配置方法,Visual studio配置dlib太复杂了。打开个JPG或者PNG图片就得把整整三个文件夹的内容(包括上百个文件)添加到项目里。简直不能忍。就是下面这三个。大部分的教程都是这么说的。官网也有提到这这种方法。

dlib\external\libjpeg
dlib\external\libpng
dlib\external\zlib

不知道大家是怎么认为的,反正我觉得这样很反人类。当年我的习惯是遇到问题问度娘,然后看一些中文的解决方案。现在的习惯慢慢变成了去官网,看官方文档。今天按照官方文档重新配置了一下。感觉利索多了。而且用cmake的命令行简直比GUI爽太多了。

有兴趣的可以直接去官网看官方的教程:How to compile。我这里记录一下我自己的配置过程。大致跟官方介绍一样。

  1. 首先还是要有Cmake,而且要添加到环境变量。这一步如果没有 Camke,需要去官网下一个。最好下载安装版的而不是压缩版的,安装版的安装的时候会让你选择是否添加环境变量,选择添加。不然下载压缩版的还得自己手动添加环境变量然后重启电脑才能用。

  2. 然后在Dlib-版本号文件夹(比如Dlib-19.7)下打开命令提示符(Shift加右键),用下面的命令,相对于官方的略有改动:

    Mkdir Build
    Cd Build
    Cmake -G "Visual Studio 14 2015 Win64" ..
    Cmake --Build . --Config Release

这里有两点注意事项

(1)一定要vs 2015或者更高的版本,据说之前的版本对于C++11的支持不够好。

(2)build的时候一定要是Release模式。因为Debug模式超级!超级!慢!亲测。参考:Why is dlib slow?

build完成之后会在\dlib-19.7\build\dlib\Release文件夹下生成dlib.lib。至此编译完成。比用cmake-gui简单多了!

三、Visual Studio配置Dlib

配置visual studio 2015,新建一个项目,我这里命名为dlib_01。

(1)打开项目属性,配置包含目录,直接上图(用的当年的老图):

image

(2)配置连接器——输入——附加依赖项:

 

image(3)为了打开jpg图片还要加上 DLIB_JPEG_SUPPORT,后面那个是为了加速。同样的,如果要打开png图片,还得加一个 DLIB_PNG_SUPPORT。

image上面三项配置之后就完成了,就可以自己写程序或者运行dlib自带的examples程序了。但是官方自带的程序都是命令行运行的,如果要在vs中运行需要稍作修改,把命令行参数修改为具体的文件名或者路径。试了一个人脸检测和人脸关键点检测的例子。效果还行。

  • 0
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
OpenCV(Open Source Computer Vision Library)是一款开源的计算机视觉库,专门为图像和视频处理任务设计,广泛应用于学术研究、工业应用以及个人项目中。以下是关于OpenCV的详细介绍: 历史与发展 起源:OpenCV于1999年由英特尔公司发起,旨在促进计算机视觉技术的普及和商业化应用。该项目旨在创建一个易于使用、高效且跨平台的库,为开发者提供实现计算机视觉算法所需的基础工具。 社区与支持:随着时间的推移,OpenCV吸引了全球众多开发者和研究人员的参与,形成了活跃的社区。目前,OpenCV由非盈利组织OpenCV.org维护,并得到了全球开发者、研究机构以及企业的持续贡献和支持。 主要特点 跨平台:OpenCV支持多种操作系统,包括但不限于Windows、Linux、macOS、Android和iOS,确保代码能够在不同平台上无缝运行。 丰富的功能:库中包含了数千个优化过的函数,涵盖了计算机视觉领域的诸多方面,如图像处理(滤波、形态学操作、色彩空间转换等)、特征检测与描述(如SIFT、SURF、ORB等)、物体识别与检测(如Haar级联分类器、HOG、DNN等)、视频分析、相机校正、立体视觉、机器学习(SVM、KNN、决策树等)、深度学习(基于TensorFlow、PyTorch后端的模型加载与部署)等。 高效性能:OpenCV代码经过高度优化,能够利用多核CPU、GPU以及特定硬件加速(如Intel IPP、OpenCL等),实现高速图像处理和实时计算机视觉应用。 多语言支持:尽管OpenCV主要使用C++编写,但它提供了丰富的API绑定,支持包括C、Python、Java、MATLAB、JavaScript等多种编程语言,方便不同领域的开发者使用。 开源与免费:OpenCV遵循BSD开源许可证发布,用户可以免费下载、使用、修改和分发库及其源代码,无需担心版权问题。 架构与核心模块 OpenCV的架构围绕核心模块构建,这些模块提供了不同层次的功能: Core:包含基本的数据结构(如cv::Mat用于图像存储和操作)、基本的图像和矩阵操作、数学函数、文件I/O等底层功能。 ImgProc:提供图像预处理、滤波、几何变换、形态学操作、直方图计算、轮廓发现与分析等图像处理功能。 HighGui:提供图形用户界面(GUI)支持,如图像和视频的显示、用户交互(如鼠标事件处理)以及简单的窗口管理。 VideoIO:负责视频的读写操作,支持多种视频格式和捕获设备。 Objdetect:包含预训练的对象检测模型(如Haar级联分类器用于人脸检测)。 Features2D:提供特征点检测(如SIFT、ORB)与描述符计算、特征匹配与对应关系估计等功能。 Calib3d:用于相机标定、立体视觉、多视图几何等问题。 ML:包含传统机器学习算法,如支持向量机(SVM)、K近邻(KNN)、决策树等。 DNN:深度神经网络模块,支持导入和运行预训练的深度学习模型,如卷积神经网络(CNN)。 应用领域 OpenCV广泛应用于: 科研与教育:作为计算机视觉教学和研究的基础工具,OpenCV简化了算法原型开发与验证过程。 工业自动化:在视觉检测、机器人导航、产品质量控制等工业场景中,OpenCV用于实时图像分析与决策。 安防监控:用于人脸识别、行人检测、行为分析等智能监控系统。 医疗影像分析:在医疗领域,OpenCV可用于医学图像处理、病灶检测、诊断辅助等应用。 自动驾驶:在车辆视觉感知系统中,OpenCV用于道路标志识别、障碍物检测、车道线识别等任务。 多媒体应用:如图像编辑软件、AR/VR应用、游戏开发等,利用OpenCV进行图像和视频处理。 物联网与嵌入式系统:在资源受限的嵌入式设备上,OpenCV提供轻量级的计算机视觉解决方案。 学习与社区资源 OpenCV拥有丰富的官方文档、教程、示例代码以及活跃的开发者社区,包括GitHub、StackOverflow、官方论坛等,为学习和使用OpenCV提供了有力支持。此外,有许多书籍、在线课程、博客文章和研讨会专门讲解OpenCV使用和计算机视觉技术。 综上所述,OpenCV作为一款功能强大、高效、跨平台且开源的计算机视觉库,为开发者提供了实现各类图像和视频处理任务所需的工具箱,其广泛的应用领域和活跃的社区支持使之成为计算机视觉领域不可或缺的开发工具。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值