Python 机器视觉
文章平均质量分 50
总结
MR_Promethus
XDU PBR信号处理 研二在读。
展开
-
【 python手势识别项目 】百度云计算实现手势识别
调用百度云计算,实现python手势识别。转载于10分钟用python实现手势识别import osimport cv2from aip import AipBodyAnalysisfrom aip import AipSpeechfrom threading import Threadimport timeimport playsound""" 你的 APPID AK SK """APP_ID = '23678578'API_KEY = 'XRdiguUTBroIEicHjNtx原创 2021-02-21 19:45:28 · 1232 阅读 · 2 评论 -
图像处理基础知识
文章目录【 1. 帧 】【 2. 帧数 】【 3. 帧率 】【 4. 像素 】【 5. 分辨率 】【 6. 对比度 】【 1. 帧 】可以把 “帧” 理解为 ”张“,一帧就是一张静止的画面,连续的帧就形成动画。帧——就是影像动画中最小单位的单张影像画面,相当于电影胶片上的每一格镜头。【 2. 帧数 】帧的数量,图像的数量。【 3. 帧率 】帧率(Framerate)=帧数(Frames)时间(Time),单位:帧每秒(f/s,fps,framespersecond)帧率(Frame rate)原创 2022-02-22 17:25:20 · 937 阅读 · 0 评论 -
【Face Recognition人脸识别】4. 多张图片人脸识别
【 1. 导入已知图片 】使用load_image_file导入这些图片:# 加载已知图片known_image_cc = face_recognition.load_image_file("./step3/know_image/Caocao.jpg")known_image_xy = face_recognition.load_image_file("./step3/know_image/XunYu.jpg")known_image_smy = face_recognition.load_ima原创 2020-06-06 23:25:21 · 4831 阅读 · 3 评论 -
【Face Recognition人脸识别】3. 单张图片人脸识别
【 1. 读取图片 】与前面不同,因为是识别图片,所以我们需要分别读取已知名字图片和未知名字图片:known_image = face_recognition.load_image_file("./step3/images/cyx2.jpg")unknown_image = face_recognition.load_image_file("./step3/images/cyx4.jpg")【 2. 获取128维的特征向量 】可以使用 face_encodings 函数对人脸进行编码,获取到对应原创 2020-06-06 23:17:44 · 4513 阅读 · 6 评论 -
【Face Recognition人脸识别】2. 人脸特征点获取
【 1. 获取照片中人脸特征点 】可以使用 face_landmarks 函数,获取人脸中特征点:face_landmarks(face_image, face_locations=None, model="large")# face_image:图片对象;# face_locations:可选,默认为空,也可以指定要识别的人脸区域位置;# model:可选,不指定时的默认值为 large,另一个值为 small。large 代表识别68个特征点,# small 代表识别5个特征点。 例如原创 2020-06-06 22:18:00 · 2545 阅读 · 0 评论 -
【Face Recognition人脸识别】1. 人脸检测
我们已经学习了人脸识别的基本流程,包括人脸图像采集、人脸检测、特征点提取和人脸识别的整个流程。不仅了解了其中的原理,还学会了编写实际应用的代码。本次主要将介绍使用Face Recognition库进行人脸识别。因为Face Recognition是对Dlib的封装,所以其原理和我们前几个讲解的相同。本次主要为大家讲解其基本使用方法。为什么在学习完整个流程之后还要讲Face Recognition库呢?…在前面我们主要使用Dlib库,它是一个在工业界和学术界广受好评,极其优秀的库。..原创 2020-06-06 22:06:14 · 1966 阅读 · 0 评论 -
【Dlib人脸识别】2. 绘制人脸识别结果
在OpenCV中提供了 cv2.putText() 函数用于给图片添加文字:cv2.putText(图片对象, 文字内容,坐标,字体, 字体倍数, 字体颜色,字体厚度)font = cv2.FONT_HERSHEY_DUPLEXcv2.putText(img, "laowang", (d.left() + 6, d.bottom() - 6), font, 0.5, (255, 255, 255), 1)# 文字内容是laowang# 文字的坐标设置为:(d.left() + 6, d.bott原创 2020-06-06 21:23:37 · 540 阅读 · 0 评论 -
【Dlib人脸识别】1. Dlib人脸检测的基本原理
Dlib中,人脸识别的基本思路为:计算已知图片中所有人脸对应的特征向量;计算要识别的未知图片中所有人脸对应的特征向量;计算人脸之间的欧式距离;如果两张人脸之间的欧式距离小于设定的阈值,则认为是同一个人,否则认为不是同一个人【 1. 计算特征向量 】在人脸特征点检测中,我们学会了如何获取人脸的特征点。但是特征点只是用于标识人脸关键点的坐标而已,如果想要实现人脸识别,那么必须将特征点转换为特征向量。1. 加载人脸识别模型链接:dlib_face_recognition_resnet_mo.原创 2020-06-06 20:47:35 · 28346 阅读 · 11 评论 -
【Dlib人脸特征提取】2. 检测、绘制人脸特征点
【 1. 人脸特征点含义 】在我们检测到人脸区域之后,接下来要研究的问题是获取到不同的脸部的特征,以区分不同人脸,即人脸特征检测(facial feature detection)。它也被称为人脸特征点检测(facial landmark detection)。人脸特征点通常会标识出脸部的下列数个区域:右眼眉毛(Right eyebrow)左眼眉毛(Left eyebrow)右眼(Right eye)左眼(Left eye)嘴巴(Mouth)鼻子(Nose)下巴(Jaw)【 2.原创 2020-06-05 17:09:18 · 10084 阅读 · 4 评论 -
【Dlib人脸特征提取】1. 训练人脸特征点模型
【 1. 数据集 】前面使用的Dlib中提供的68点特征检测模型,使用的数据集来自300-W(300 Faces In-The-Wild Challenge)。300-W是一项专注于人脸特征点的检测的竞赛,通常与ICCV这类著名的计算机视觉活动相伴举行。在该竞赛中,参赛队伍需要从600张图片中检测出人脸,并且将面部的68个特征点全部标记出来。300W数据的压缩包有2G多。包含各种各样已经标记好的人脸信息。因为在如此大的数据集上训练需要大量的资源和时间。所以,在本次实训的学习中,我们使用极少量的数据集原创 2020-06-06 14:08:38 · 5284 阅读 · 1 评论 -
【Dlib人脸检测】3. 检测并绘制人脸区域
【 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。如果想要在加载自己训练的基于HOG-SVM的模型,那么我们可以用以下代码加载我们训练的模型:detector = dlib.simple_object_detector("detector.svm")上一关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中训练好的模原创 2020-05-31 11:59:07 · 1317 阅读 · 0 评论 -
【Dlib人脸检测】2. 训练人脸检测模型
【 1. 准备数据 】考虑到训练时间和资源等因素,在本次实训的学习中,我们使用的极少量的数据集来训练。虽然数据少,但效果很棒,而且流程健全。使用到的图片数据集如下:训练集我们使用4张图片作为训练集数据。其中人脸相关的标注数据,存放于XML文件中,格式如下:<?xml version='1.0' encoding='ISO-8859-1'?><?xml-stylesheet type='text/xsl' href='image_metadata_stylesheet.xsl原创 2020-05-31 11:24:00 · 2888 阅读 · 4 评论 -
【Dlib人脸检测】1. HOG特征描述方法
【 1. Harr级联人脸检测、Dlib人脸检测器 】OpenCV中的Harr级联人脸检测。它算是人脸识别中早期的检测方法,现在Dlib库在业内开始流行。因为很大程度上是其使用的HOG-SVM人脸检测比OpenCVHarr级联人脸检测效果更好。当然,现在两个库中也都集成了基于深度学习方法的人脸检测算法。OpenCV中Harr级联人脸检测优缺点优点:几乎可以在CPU上实时工作;架构简单;可以检测不同比例的人脸。缺点会出现大量的把非人脸预测为人脸的情况;不适用于非正面人脸图像;原创 2020-05-29 22:23:00 · 4033 阅读 · 0 评论 -
【OpenCv 边缘检测】
【 1. 边缘检测 】边缘检测是图像处理和计算机视觉中的基本问题,边缘检测的目的是标识数字图像中亮度变化明显的点。图像边缘检测大幅度地减少了数据量,并且剔除了可以认为不相关的信息,保留了图像重要的结构属性。图像属性中的显著变化通常反映了属性的重要事件和变化。如下图:常用的边缘检测模板有 Laplacian 算子、Roberts 算子、Sobel 算子、 Kirsch 算子和 Prewitt 算子等。canny (精明) 边缘检测的五个步骤:使用高斯滤波器,以平滑图像,滤除噪声。计算图像中每个原创 2020-05-13 11:18:12 · 775 阅读 · 0 评论 -
【OpenCV人脸检测】4. 绘制人脸与人眼区域
【 1. 绘制矩形 】通过 OpenCV 的 Harr 分类器检测人脸,并输出识别结果(x,y,w,h)。图片坐标以左上角为原点,(x,y)代表人脸区域左上角坐标,w代表人脸区域的宽度(width),h代表人脸区域的高度(height)。例如:OpenCV 绘制矩形函数:cv2.rectangle(图片对象,矩形左上角的坐标点,矩形右下角的坐标点,颜色(B,G,R),边框线的粗度)例:#对于上图的红色人脸边框,可以指定左上角坐标为(x,y),右上角坐标为(x+w,y+h),原创 2020-05-11 21:23:32 · 4475 阅读 · 2 评论 -
【OpenCV人脸检测】3. 基于Harr特征的人脸检测分类器
【 1. 主要思想 】OpenCV的人脸检测,使用Harr分类器。该分类器采用的Viola-Jones人脸检测算法。它是在2001年由Viola和Jones提出的基于机器学习的人脸检测算法。算法首先需要大量的积极图片(包含人脸的图片)和消极图片(不包含人脸的图片)。然后从中提取类Harr特征( Harr-like features),之所以称为 Harr分类器,是正是因为它使用了类Harr特征。最后,训练出一个级联检测器,用其来检测人脸。【 2. 类Harr特征 】图像中的特征通原创 2020-05-11 17:41:48 · 1611 阅读 · 0 评论 -
【OpenCV人脸检测】2. 色彩空间及其转换
【 1. 色彩空间 】色彩空间(Color space)是对色彩的组织方式,是坐标系统和子空间的阐述,位于系统的每种颜色都有单个点表示。目前,色彩空间已经有上百种表示方式,被采用的大多数色彩空间都是面向硬件或面向应用的,大部分只是局部的改变或专用于某一领域。RGB色彩空间使用红色、绿色和蓝色这三种原色生成不同的颜色,这些颜色可以组成了一个色彩空间,称为RGB(Red Green Blue)色彩空间。OpenCV中默认的色彩空间是BGR。BGR与RGB的区别只是三个颜色信原创 2020-05-11 13:44:35 · 669 阅读 · 0 评论 -
【OpenCV人脸检测】1. OpenCV 图片操作
OpenCV是一个开源的跨平台计算机视觉库。跨平台是指,它可以运行在Linux、Windows、Android和Mac OS等操作系统上。OpenCV提供了多种语言的编程接口,例如C、C++、Python。它实现了图像处理和计算机视觉方面的很多通用算法,具有轻量高效的特点。【 1. 图片采集 】原始的图片多数采用各种摄像头采集,再整理为图片数据集。如果使用OpenCV采集,可以通过cv2.VideoCapture()获取摄像头并捕捉画面中的图片获取摄像头并捕捉画面中的图片函数:c.原创 2020-05-11 09:47:32 · 804 阅读 · 0 评论 -
人脸识别步骤
图像采集:使用摄像机或摄像头采集含有人脸的图像或视频流;人脸检测:检测图片中是否包含人脸;预处理:对人脸图像进行灰度处理、噪声过滤等预处理;特征点提取:提取人脸图片中包含的特征数据;人脸识别:将新的人脸照片与人脸库进行算法匹配,输出识别结果。...原创 2020-05-11 09:54:00 · 1451 阅读 · 1 评论 -
计算机视觉的应用
图像分类:图像分类指的是根据图片来划分图像的类别,最常见的应用有根据图片识别图片中人物的性别为男还是女。语义分割:语义分割是近年来非常热门的方向,简单来说,它其实可以看做一种特殊的分类——将输入图像的每一个像素点进行归类,如下图很清楚地就可以看出,物体检测和识别通常是将物体在原图像上框出,可以说是“宏观”上的物体,而语义分割是从每一个像素上进行分类,图像中的每一个像素都有属于自己的类别。目标检测:目标检测对于人类来说并不困难,通过对图片中不同颜色模块的感知很容易定位并分类出其中目标物体..原创 2020-05-10 22:57:20 · 878 阅读 · 0 评论