人脸检测和对齐，关键点坐标仿射变换

最新推荐文章于 2022-06-14 01:06:35 发布
最新推荐文章于 2022-06-14 01:06:35 发布
阅读量3.6k 收藏 13
点赞数
分类专栏： # 人脸识别 Python # CV-基础
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qxqxqzzz/article/details/111244463
版权
Python 同时被 3 个专栏收录
307 篇文章 38 订阅 ¥19.90 ¥99.00
订阅专栏 超级会员免费看
CV-基础
107 篇文章 2 订阅
订阅专栏
人脸识别
14 篇文章 0 订阅
订阅专栏
本文介绍了MTCNN在人脸检测和对齐中的应用，通过PNet、RNet和ONet的串联实现检测框和关键点信息的获取。重点讨论了基于5个关键点的标准人脸仿射变换对齐过程，强调检测框精度对关键点预测及人脸识别性能的影响。同时，详细阐述了如何根据检测到的关键点和标准人脸构建仿射矩阵，以及如何运用OpenCV的仿射变换进行图像处理。
摘要由CSDN通过智能技术生成
  1. MTCNN的PNet, RNet, ONet三者是串联的。
  • 人脸检测：PNet, RNet提供检测框，输入到ONet. ONet输出关键点信息。这里提供检测框的PNet, RNet也可以换成SFD。然后再输入到ONet串联使用。
  • 人脸对齐：在人脸检测框中回归5个关键点。基于这5个关键点、标准人脸，通过仿射变换进行对齐。
  • 由此可见检测框的预测精度将影响最终关键点预测的精度。而关键点预测的精度影响最终识别的性能。
  1. 从人脸5个关键点到人脸识别模型输入
  • 根据5个关键点和标准人脸的5个关键点，得到仿射矩阵M。
  • 基于原始输入图像和M，经过仿射变换得到最终的输入。也就是检测对齐好的人脸。可能还会resize到指定大小。如112x112。
  • 注意这里得到的模型输入和人脸检测框无关，不是根据检测框crop得到的，而是根据检测到的关键点、标准人脸，通过仿射变换和resize得到的。所以可以说，一开始的人脸检测框和识别结果没有直接关系（有间接关系：通过影响框内回归出的关键点的位置，间接影响最终识别结果）
  1. 如何根据检测到的关键点，标准人脸得到仿射矩阵？
d
了解本专栏 订阅专栏 解锁全文 超级会员免费看
城俊BLOG
关注
专栏目录
订阅专栏
图像配准中的仿射变换细节
7号唱片街
07-24 5004
u = Ax + By + C v = Dx + Ey + F 其中，U,V是目标图的横纵坐标，X,Y是原图横纵坐标 也就是说 u A B C x v = D E F * y 1 0 0 1 z 具体A-F六个参数的计算可以通过SIFT在两张图中找到足够的尺度不变特征点，然后对这些特征点进行匹配。匹配后就能得到很多特征点对。然后建立 u = Ax + By + C v = D
face alignment 5个关键点对齐
weixin_NineDays66
06-07 2129
访问网址查看 人脸对齐的发展 https://max.book118.com/html/2017/1111/139651668.shtm 1.准备数据集：UMD 把 21个关键点 提取出5个。 2.Loss 函数使用 absloss ，如何添加 caffe absloss 查看我的其他博文。 C:\WorkSpace\SoftWare\caffe\convert_multilabel_i...
人脸对齐及关键点检测
知识搬运工的博客
06-02 1万+
严格定义上的人脸识别分为四个步骤： ①人脸检测：从图片中准确定位到人脸 ②人脸对齐： 自动定位出面部关键特征点， ③进行特征提取 ④对两张人脸图像的特征向量进行对比，计算相似度。 当今的人脸识别系统如下图所示的流程：一张人脸图片输入后，需要先找到人脸的位置（人脸检测），然后在这个基础上定位人脸关键点的位置（如眼睛中心或嘴角等），每个系统关键点提取的数量相差很大，有的只有左...
人脸识别之仿射变换
Leo_Adam的博客
05-29 1330
对于检测到人脸经行矫正，用于下一阶段网络的输入 import numpy as np import cv2 class FaceWarpException(Exception): def __str__(self): return 'In File {}:{}'.format(__file__,super. __str__(self)) DEFAULT_CROP_SIZE = (96, 112) REFE
opencv 仿射变换 根据眼睛坐标进行人脸对齐 计算变换后对应坐标
yanyan_xixi的专栏
07-02 7546
使用opencv对人脸图像进行仿射变换， 实现人脸对齐功能          人脸图像及68个面部关键点                          仿射变换后人脸图像及关键点      仿射变换将原坐标(x, y)变换为新坐标(x', y')的计算方法：      通过上面的公式， 可计算出原图像经过变换后的新图像。      Opencv仿射变换函数warpA
基于Opencv和MTCNN检测人脸五个关键点进行仿射变换人脸对齐算法
12-21
最近需要做人脸对齐的算法，通俗理解就是将图片人人脸姿态不太正确的给矫正过来，所以写了python版本的人脸对齐算法。基本原理是先通过MTCNN检测到人脸的五个关键点，再把原图中人脸区域外扩100%（这样做的目的是保证对齐后图片中没有黑色区域，当然这个外扩的比例是看对齐效果自己可以调节的，我这里设置的100%）。最后的人脸对齐尺寸分为两种：112X96尺寸和112X112尺寸，其中首先需要定死仿射变换后人脸在目标图上的坐标，然后直接变换。废话不多说，直接手撕代码。 # 该代码实现利用人脸的五点仿射变换实现人脸对齐 # 具体就是首先使用mtcnn检测算法检测出人脸区域，并得到lanmarks关键
基于Opencv和MTCNN检测人脸五个关键点进行仿射变换人脸对齐 - C++版本
qq_33221533的博客
06-14 2387
这篇文章是对应之前人脸对齐的python版本的C++版本，之前python版本见这里。通俗理解就是将图片人人脸姿态不太正确的给矫正过来，所以写了C++版本的人脸对齐算法。基本原理是先通过MTCNN检测到人脸的五个关键点，再把原图中人脸区域外扩100%（这样做的目的是保证对齐后图片中没有黑色区域，当然这个外扩的比例是看对齐效果自己可以调节的，我这里设置的100%）。最后的人脸对齐尺寸分为两种：112X96尺寸和112X112尺寸，其中首先需要定死仿射变换后人脸在目标图上的坐标，然后直接变换。.........
人脸对齐：仿射变换
BigCowPeking
10-05 1550
三维空间的刚体运动描述方式 欧氏、相似、仿射、射影变换 Transformation Matrix DOF 不变性质 示意图 欧氏变换（Euclidean) 1) 旋转矩阵 RR 是正交矩阵正交矩阵； 6 长度 夹角 体积 相似变换（Similarity） 1) 旋转部分多了一个缩放因子缩放因子 ss，...
opencv-python学习笔记（十）：实现人脸特征转换
submarineas的博客
04-23 8229
引言 本次实验来自实验楼，而实验楼代码的出处为如下GitHub链接，加上一些自己的理解与说明，总结成本文笔记。 https://github.com/matthewearl/faceswap 所需环境 Dlib是一个高级的机器学习库，它是为解决复杂的现实世界问题而创建的。这个库是用C++编程语言创建的，它与C/C++、Python和java一起工作。 本次因为有dlib库需要安装，个人更习惯于Linux系统，所以本次使用环境为个人腾讯云ubuntu 18.04，关于dlib库，它的安装需要cmake与b
仿射变换C++.rar
11-01
这通常是通过识别出人脸的关键点，比如五个特征点（左眼、右眼、鼻子、左嘴角、右嘴角），然后应用仿射变换将这些点映射到预定义的坐标上实现的。默认情况下，这个预定义的大小是112*96像素，但用户可以根据需求进行...
调用本机摄像头利用javaccp技术基于免安装opencv使用opencv3.4.3版本实现人脸检测人脸识别人脸标记68个坐标点
最新发布
05-12
4. **人脸对齐**：通过对检测到的人脸关键点进行坐标变换，可以将不同姿态和大小的人脸对齐到标准位置，便于后续的处理和识别。这通常涉及仿射变换或极线校正等图像变换技术。 5. **人脸特征测试**：这部分可能涉及...
人脸检测、人脸对齐（MTCNN方法）
08-27
5. **人脸对齐**：使用关键点信息，应用仿射变换或其他对齐方法，将人脸图像对齐到标准模板。 6. **后处理**：如非极大值抑制（NMS）去除重复或重叠的检测结果。 在提供的MTCNN压缩包中，可能包含了源码、预训练...
【opencv】仿射变换
lyl771857509的博客
01-17 3356
图像几何变换之仿射变换 1:定义：仿射变换的功能是从二维坐标到二维坐标之间的线性变换，且保持二维图形的“平直性”和“平行性”（直线之间的相对位置关系保持不变，平行线经仿射变换后依然为平行线，且直线上点的位置顺序不会发生变化）。非共线的三对对应点确定一个唯一的仿射变换。。仿射变换可以通过一系列的原子变换的复合来实现，包括平移，缩放，翻转，旋转和剪切。 这类变换可以用一个3*3的矩阵M来表
【Python】使用openCV与dlib实现人脸68特征点的检测与手动修改
For_Gondor的博客
10-20 1028
在使用plib检测人脸特征点的过程中由于各种原因难免会遇到特征点定位不准确的情况。这时，如果能够手动修改来移动特征点的位置，后续工作则可以更好地得以完成。
cv2最强仿射变换（支持n点对齐，可进行人脸对齐）
热门推荐
Haiwi-Song
04-02 1万+
人脸识别过程中，人脸对齐往往是最重要的一步，对齐的结果往往影响之后提取人脸特征的准确率，opencv内置的仿射变换仅仅需要三个点，而需对齐的人脸关键点一般是5个、68个、128个，本文提供一种n点对齐的放射变换点，以5个关键点的对齐为例： 代码参考来源：https://matthewearl.github.io/2015/07/28/switching-eds-with-python/ #...
一文读懂仿射变换
lyyiangang的博客
04-11 1428
一文读懂仿射变换 对,我就是标题党，但是会争取一篇文章介绍仿射变换的所有知识点。 背景 图像常见的变换操作有平移变换，欧几里德变换，相似变换，仿射变换和投影变换。 如果看下面这张图则可以更直观的看出他们的区别： 平移变换顾名思义只会对图片进行ｘｙ方向的移动 欧几里德变换则在平移变换的基础上加了旋转变换, 能够表示目标的刚体变换。 相似性变换是在欧几里德变换基础上加上了缩放和镜像操作 仿射变换在相似性变换基础上添加了斜切变换,仿射变换保留了目标图像的平直性和平行性。也就是说，一条直线变换后还是一条直线，
基于计算着色器实现BlendShape三维人脸表情动画驱动
厉兵秣码
10-30 4595
为什么要用计算着色器呢？ 因为人脸表情基模型顶点数实在是太多了，而且有不止一个模型，动画越精细，表情基模型越多，这个时候仅仅用CPU计算显然是不够的，所以就开始上GPU了，并行计算。 直接上计算着色器的代码: 1、ComputeShader.compute #pragma kernel Cul RWStructuredBuffer<float3> vertBuffer; Struc...
Pytorch多标签损失函数MultiLabelSoftMarginLoss报错RuntimeError: The size of tensor a (128) must match the size
Hello Word!
06-16 7569
代码： import torch.nn as nn criterion = nn.MultiLabelSoftMarginLoss(weight=w) # train on celeba train set and lfwa train set train_dataset = CelebA(args.data, 'train_40_att_list.txt', transforms.Compose([ transforms.Resize((250, 250)), transforms.Ran
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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