裸机Ubuntu16.04配置Dlib19.4 （Python人脸检测例子)

Windows版本Dlib配置链接：  地址

1.准备工作

Dlib库下载链接： 地址

首先需要Cmake以及编译C++成python程序的工具【参考1】

[cpp] view plain copy

1. sudo apt-get install libboost-python-dev cmake  

如果没有setuptools工具的需要安装，指令如下：

python2.x:

wget https://bootstrap.pypa.io/ez_setup.py -O - | sudo python

python3.x

wget https://bootstrap.pypa.io/ez_setup.py -O - | sudo python3.4

2.安装dlib

接着cd到Dlib的目录运行，参考：地址

运行：(如果提示没权限记得 sudo su)

[cpp] view plain copy

1. python setup.py install  

3.测试

[cpp] view plain copy

1. python  
2. import dlib  

无任何异常说明安装成功~

4.运行人脸检测

下面来运行经典的Dlib的landmark~

先安装下pip,参考链接：地址

[cpp] view plain copy

1. sudo apt-get install python-pip python-dev build-essential   
2. sudo pip install --upgrade pip   
3. sudo pip install --upgrade virtualenv   

然后安装skimage.io模块，参考： 地址

[cpp] view plain copy

1. sudo pip install scikit-image  

或者

[cpp] view plain copy

1. sudo apt-get install python-skimage  

人脸检测

新建fr.py

[python] view plain copy

1. #!/usr/bin/python  
2. # The contents of this file are in the public domain. See LICENSE_FOR_EXAMPLE_PROGRAMS.txt  
3. #  
4. #   This example program shows how to find frontal human faces in an image.  In  
5. #   particular, it shows how you can take a list of images from the command  
6. #   line and display each on the screen with red boxes overlaid on each human  
7. #   face.  
8. #  
9. #   The examples/faces folder contains some jpg images of people.  You can run  
10. #   this program on them and see the detections by executing the  
11. #   following command:  
12. #       ./face_detector.py ../examples/faces/*.jpg  
13. #  
14. #   This face detector is made using the now classic Histogram of Oriented  
15. #   Gradients (HOG) feature combined with a linear classifier, an image  
16. #   pyramid, and sliding window detection scheme.  This type of object detector  
17. #   is fairly general and capable of detecting many types of semi-rigid objects  
18. #   in addition to human faces.  Therefore, if you are interested in making  
19. #   your own object detectors then read the train_object_detector.py example  
20. #   program.    
21. #  
22. #  
23. # COMPILING/INSTALLING THE DLIB PYTHON INTERFACE  
24. #   You can install dlib using the command:  
25. #       pip install dlib  
26. #  
27. #   Alternatively, if you want to compile dlib yourself then go into the dlib  
28. #   root folder and run:  
29. #       python setup.py install  
30. #   or  
31. #       python setup.py install --yes USE_AVX_INSTRUCTIONS  
32. #   if you have a CPU that supports AVX instructions, since this makes some  
33. #   things run faster.    
34. #  
35. #   Compiling dlib should work on any operating system so long as you have  
36. #   CMake and boost-python installed.  On Ubuntu, this can be done easily by  
37. #   running the command:  
38. #       sudo apt-get install libboost-python-dev cmake  
39. #  
40. #   Also note that this example requires scikit-image which can be installed  
41. #   via the command:  
42. #       pip install scikit-image  
43. #   Or downloaded from http://scikit-image.org/download.html.   
44.   
45. import sys  
46.   
47. import dlib  
48. from skimage import io  
49.   
50.   
51. detector = dlib.get_frontal_face_detector()  
52. win = dlib.image_window()  
53.   
54. for f in sys.argv[1:]:  
55.     print("Processing file: {}".format(f))  
56.     img = io.imread(f)  
57.     # The 1 in the second argument indicates that we should upsample the image  
58.     # 1 time.  This will make everything bigger and allow us to detect more  
59.     # faces.  
60.     dets = detector(img, 1)  
61.     print("Number of faces detected: {}".format(len(dets)))  
62.     for i, d in enumerate(dets):  
63.         print("Detection {}: Left: {} Top: {} Right: {} Bottom: {}".format(  
64.             i, d.left(), d.top(), d.right(), d.bottom()))  
65.   
66.     win.clear_overlay()  
67.     win.set_image(img)  
68.     win.add_overlay(dets)  
69.     dlib.hit_enter_to_continue()  
70.   
71.   
72. # Finally, if you really want to you can ask the detector to tell you the score  
73. # for each detection.  The score is bigger for more confident detections.  
74. # The third argument to run is an optional adjustment to the detection threshold,  
75. # where a negative value will return more detections and a positive value fewer.  
76. # Also, the idx tells you which of the face sub-detectors matched.  This can be  
77. # used to broadly identify faces in different orientations.  
78. if (len(sys.argv[1:]) > 0):  
79.     img = io.imread(sys.argv[1])  
80.     dets, scores, idx = detector.run(img, 1, -1)  
81.     for i, d in enumerate(dets):  
82.         print("Detection {}, score: {}, face_type:{}".format(  
83.             d, scores[i], idx[i]))  

运行：

[cpp] view plain copy

1. python fr.py 1.jpeg  

效果如图：