【 1. 加载模型 】
上一次我们训练了自己的模型,并把模型保存在了detector.svm中了。
下面我们用以下代码调用训练的模型:
detector = dlib.simple_object_detector("detector.svm")
由于我们训练的人脸模型由于训练数据的很少,所以实际应用的效果会不太好。
- 在Dlib中,已经有通过大量的数据和参数优化训练的效果非常的模型,该模型也是基于HOG+SVM的。所以在此我们使用Dlib中训练好的模型。加载该模型的代码如下:
detector = dlib.get_frontal_face_detector()
【 2. 使用模型检测人脸区域 】
通过detector()来检测图片中的人脸区域:
dets= detector(img, 1)
其中,
- 第一个参数img为图片对象;
- 第二个参数为上采样的值。采样实际上也就是将一个尺寸较小的图像通过算法使之变为尺寸较大的图像,这里我们将它的值设为1,能会帮助我们检测到更多的人脸。
- 返回的dets表示模型检测到的img中的所有人脸区域。
因为一张图片中可能有多张人脸,也就意味着可能会有多个人脸区域了,所以dets是一个数组。对于dets中的每一个元素d,都可以通过d.left(),d.top(), d.right(), d.bottom()分别获取到d对应的人脸区域的最左,最上,最右和最下的四个值。
完整代码如下:
import cv2
import dlib
img = cv2.imread('image/girl.jpg') # 读取图片
detector = dlib.get_frontal_face_detector() # 加载人脸检测器
dets = detector(img, 1) # 获取人脸的区域,保存在dets中
print("检测到的人脸数目: {}".format(len(dets))) # 输出人脸区域的信息
for i, d in enumerate(dets):
print("所在区域: {}: Left: {} Top: {} Right: {} Bottom: {}".format(i, d.left(), d.top(), d.right(), d.bottom()))
【 3. 绘制人脸区域 】
OpenCV
import cv2
import dlib
img = cv2.imread('picture.jpg') # 读取图片
detector = dlib.get_frontal_face_detector() # 加载人脸检测器
dets = detector(img, 1) # 获取图片中所有的人脸的区域,保存在dets中
print("检测到的人脸数目: {}".format(len(dets))) # 输出人脸区域的信息
for i, d in enumerate(dets): # 绘制人脸区域
cv2.rectangle(img,(d.left(), d.top()),(d.right(), d.bottom()),(0,0,255),2)
cv2.imwrite("new_image.jpg",img) #把绘制区域后的图片另存为成新图片
运行结果:
Dlib
import cv2
import dlib
img = cv2.imread('picture.jpg')# 读取图片
# 因为OpenCV的默认图片格式为BGR,而dlib的默认格式为RGB,所以先将图片格式转换为RGB
img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
win = dlib.image_window()# 新建图像窗口
win.set_image(img)
detector = dlib.get_frontal_face_detector()
dets = detector(img, 1) # 获取到图片中所有的人脸的区域,保存在dets中
print("检测到的人脸数目: {}".format(len(dets))) # 输出人脸区域数目
win.clear_overlay()#指定窗口图片
win.set_image(img)
win.add_overlay(dets)#绘制人脸区域
dlib.hit_enter_to_continue()
运行结果: