人脸检测实战：使用opencv加载深度学习模型实现人脸检测

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”])

load the input image and construct an input blob for the image

by resizing to a fixed 300x300 pixels and then normalizing it

image = cv2.imread(args[“image”])

(h, w) = image.shape[:2]

blob = cv2.dnn.blobFromImage(cv2.resize(image, (300, 300)), 1.0,

(300, 300), (104.0, 177.0, 123.0))

首先，我们使用 --prototxt 和 --model 文件路径加载我们的模型。 我们将模型存储为 net（第 20 行）。

然后我们加载图像，提取尺寸，并创建一个 blob。 dnn.blobFromImage 负责预处理，包括设置 blob 尺寸和规范化。 如果您有兴趣了解有关 dnn.blobFromImage 函数的更多信息，我会在这篇博文中详细介绍。 接下来，我们将应用人脸检测：

pass the blob through the network and obtain the detections and

predictions

print(“[INFO] computing object detections…”)

net.setInput(blob)

detections = net.forward()

为了检测人脸，将 blob 通过网络。 然后我们将循环检测并在检测到的人脸周围绘制框：

loop over the detections

for i in range(0, detections.shape[2]):

extract the confidence (i.e., probability) associated with the

prediction

confidence = detections[0, 0, i, 2]

filter out weak detections by ensuring the confidence is

greater than the minimum confidence

if confidence > args[“confidence”]: