tensorflow入门教程(四十五)通过MTCNN动态获取左右眼图像数据

最新推荐文章于 2021-01-12 01:50:35 发布
最新推荐文章于 2021-01-12 01:50:35 发布
阅读量1.4k 收藏 10
点赞数
分类专栏： tensorflow 文章标签： tensorflow mtcnn 眼睛检测
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/rookie_wei/article/details/90744341
版权

#
#作者：韦访
#博客：https://blog.csdn.net/rookie_wei
#微信：1007895847
#添加微信的备注一下是CSDN的
#欢迎大家一起学习
#

1、概述

之前有蛮多网友问我怎么通过MTCNN获取左右眼的图像数据，因为通过MTCNN只获取了左眼和右眼中心点的坐标。虽然在回答留言时我说了一下思路，但是我并没有真的去做过，今天有空我就写写吧。

可以参考以前的相关博客：

https://blog.csdn.net/rookie_wei/article/details/86537948

https://blog.csdn.net/rookie_wei/article/details/86651369

2、思路

做什么事都得有思路才行，

如上图所示，假设我两只眼睛之间的距离为180像素点，我要画的眼眶的长的一半和宽的一半分别为60和30像素点。现在假设两眼之间的距离为d，则眼眶的宽度的一半为d*60/180=d/3，同理，眼眶的高度的一半为d*30/180=d/6。我们这里不考虑斜角，如果脸比较斜的话，MTCNN检测不出你脸的。

3、通过opencv实时检测人脸关键点

思路有了，现在就开始干了。我们以前的博客分析MTCNN时，它是用来对数据集做人脸检测和对其等操作，并没有使用摄像头的数据，现在我们先来结合opencv将通过摄像头检测到的人脸和人脸的五个关键点实时显示出来。

3.1、首先将FaceNet下的src/align所有文件拷贝到我们工程目录下

如果你连FaceNet的源码都不知道去哪里下载的话，就下载这个吧，

https://download.csdn.net/download/rookie_wei/10938739

3.2、在新的工程下新建demo1.py文件

这个demo1就是我们要自己写的，文件名你随便取，我写博客的教程习惯用这个比较土的命名而已。在demo1.py里，先导入各种我们需要用到的库，

import tensorflow as tf
import os
import detect_face
import cv2
import numpy as np

然后就是入口函数main函数，

if __name__ == '__main__':
    main()

来看main函数，

def main():

    # 读摄像头数据还是本地图片数据
    isFromCamera = True

    with tf.Session() as sess:
        #获取P-Net，R-Net，O-Net网络
        pnet, rnet, onet = detect_face.create_mtcnn(sess, None)

        minsize = 20  # minimum size of face
        threshold = [0.6, 0.7, 0.7]  # three steps's threshold
        factor = 0.709  # scale factor
        margin = 0

        # 看是读取摄像头数据呢还是图片呢
        if isFromCamera:
            cam = cv2.VideoCapture(0)
        else:
            imagefile = 'images/01.jpg'
            if os.path.exists(imagefile):
                image = cv2.imread(imagefile, cv2.IMREAD_COLOR)
            else:
                print('图片文件不存在！')
                return False

因为MTCNN可以同时检测多个人脸的，而用摄像头的话，就我一个人，不会做多人脸的检测，所以，我就下载了一个有多个人脸的图片用来检测。

while True:

    if isFromCamera:
        ret, image = cam.read()
        if not ret:
            continue

    # 检测人脸，bounding_boxes可能包含多张人脸框数据，
    # 一张人脸框有5个数据，第一和第二个数据表示框左上角坐标，第三个第四个数据表示框右下角坐标，
    # 最后一个数据应该是可信度
    bounding_boxes, points = detect_face.detect_face(image, minsize, pnet, rnet, onet, threshold, factor)
    # print('bounding_boxes:', bounding_boxes)
    # print('points:', points)

    # 获得的人脸数量
    nrof_faces = bounding_boxes.shape[0]
    if nrof_faces > 0:
        det = bounding_boxes[:, 0:4]
        det_arr = []
        
        # 原图片大小
        img_size = np.asarray(image.shape)[0:2]
        if nrof_faces > 1:
            # 如果要检测多张人脸的话
            for i in range(nrof_faces):
                det_arr.append(np.squeeze(det[i]))
        else:
            # 只有一个人脸框的话，那就没得选了
            det_arr.append(np.squeeze(det))

        for i, det in enumerate(det_arr):
            det = np.squeeze(det)
            bb = np.zeros(4, dtype=np.int32)
            # 边界框周围的裁剪边缘，就是我们这里要裁剪的人脸框要比MTCNN获取的人脸框大一点，
            # 至于大多少，就由margin参数决定了
            bb[0] = np.maximum(det[0] - margin / 2, 0)
            bb[1] = np.maximum(det[1] - margin / 2, 0)
            bb[2] = np.minimum(det[2] + margin / 2, img_size[1])
            bb[3] = np.minimum(det[3] + margin / 2, img_size[0])

            # 人脸框的上横
            cv2.line(image, (bb[0], bb[1]), (bb[2], bb[1]), (0, 0, 255), 3)
            # 人脸框的左竖
            cv2.line(image, (bb[0], bb[1]), (bb[0], bb[3]), (0, 0, 255), 3)
            # 人脸框的右竖
            cv2.line(image, (bb[2], bb[1]), (bb[2], bb[3]), (0, 0, 255), 3)
            # 人脸框的下横
            cv2.line(image, (bb[0], bb[3]), (bb[2], bb[3]), (0, 0, 255), 3)

            # 画出5个关键点
            cv2.circle(image, (points[0][i], points[5][i]), 1, (255, 0, 0), thickness=3, lineType=8, shift=0)
            cv2.circle(image, (points[1][i], points[6][i]), 1, (255, 0, 0), thickness=3, lineType=8, shift=0)
            cv2.circle(image, (points[2][i], points[7][i]), 1, (255, 0, 0), thickness=3, lineType=8, shift=0)
            cv2.circle(image, (points[3][i], points[8][i]), 1, (255, 0, 0), thickness=3, lineType=8, shift=0)
            cv2.circle(image, (points[4][i], points[9][i]), 1, (255, 0, 0), thickness=3, lineType=8, shift=0)

    cv2.imshow('mtcnn', image)

    if cv2.waitKey(1) == 27:
        break

cv2.destroyAllWindows()

上面while循环里就通过opencv一帧一帧地读取摄像头的数据，然后对每一帧数据进行人脸检测和人脸关键点检测，通过detect_face函数，这个以前的博客分析过这个函数了，这里就不赘述。

得到这些数据以后，我们再通过opencv将它们画出来，这里我们先只画出人脸框和5个关键点，一步一步来，不要猴急。完整代码如下，

import tensorflow as tf
import os
import detect_face
import cv2
import numpy as np


def main():

    # 读摄像头数据还是本地图片数据
    isFromCamera = True

    with tf.Session() as sess:
        #获取P-Net，R-Net，O-Net网络
        pnet, rnet, onet = detect_face.create_mtcnn(sess, None)

        minsize = 20  # minimum size of face
        threshold = [0.6, 0.7, 0.7]  # three steps's threshold
        factor = 0.709  # scale factor
        margin = 0

        # 看是读取摄像头数据呢还是图片呢
        if isFromCamera:
            cam = cv2.VideoCapture(0)
        else:
            imagefile = 'images/01.jpg'
            if os.path.exists(imagefile):
                image = cv2.imread(imagefile, cv2.IMREAD_COLOR)
            else:
                print('图片文件不存在！')
                return False

        while True:

            if isFromCamera:
                ret, image = cam.read()
                if not ret:
                    continue

            # 检测人脸，bounding_boxes可能包含多张人脸框数据，
            # 一张人脸框有5个数据，第一和第二个数据表示框左上角坐标，第三个第四个数据表示框右下角坐标，
            # 最后一个数据应该是可信度
            bounding_boxes, points = detect_face.detect_face(image, minsize, pnet, rnet, onet, threshold, factor)
            # print('bounding_boxes:', bounding_boxes)
            # print('points:', points)

            # 获得的人脸数量
            nrof_faces = bounding_boxes.shape[0]
            if nrof_faces > 0:
                det = bounding_boxes[:, 0:4]
                det_arr = []

                # 原图片大小
                img_size = np.asarray(image.shape)[0:2]
                if nrof_faces > 1:
                    # 如果要检测多张人脸的话
                    for i in range(nrof_faces):
                        det_arr.append(np.squeeze(det[i]))
                else:
                    # 只有一个人脸框的话，那就没得选了
                    det_arr.append(np.squeeze(det))

                for i, det in enumerate(det_arr):
                    det = np.squeeze(det)
                    bb = np.zeros(4, dtype=np.int32)
                    # 边界框周围的裁剪边缘，就是我们这里要裁剪的人脸框要比MTCNN获取的人脸框大一点，
                    # 至于大多少，就由margin参数决定了
                    bb[0] = np.maximum(det[0] - margin / 2, 0)
                    bb[1] = np.maximum(det[1] - margin / 2, 0)
                    bb[2] = np.minimum(det[2] + margin / 2, img_size[1])
                    bb[3] = np.minimum(det[3] + margin / 2, img_size[0])

                    # 人脸框的上横
                    cv2.line(image, (bb[0], bb[1]), (bb[2], bb[1]), (0, 0, 255), 3)
                    # 人脸框的左竖
                    cv2.line(image, (bb[0], bb[1]), (bb[0], bb[3]), (0, 0, 255), 3)
                    # 人脸框的右竖
                    cv2.line(image, (bb[2], bb[1]), (bb[2], bb[3]), (0, 0, 255), 3)
                    # 人脸框的下横
                    cv2.line(image, (bb[0], bb[3]), (bb[2], bb[3]), (0, 0, 255), 3)

                    # 画出5个关键点
                    cv2.circle(image, (points[0][i], points[5][i]), 1, (255, 0, 0), thickness=3, lineType=8, shift=0)
                    cv2.circle(image, (points[1][i], points[6][i]), 1, (255, 0, 0), thickness=3, lineType=8, shift=0)
                    cv2.circle(image, (points[2][i], points[7][i]), 1, (255, 0, 0), thickness=3, lineType=8, shift=0)
                    cv2.circle(image, (points[3][i], points[8][i]), 1, (255, 0, 0), thickness=3, lineType=8, shift=0)
                    cv2.circle(image, (points[4][i], points[9][i]), 1, (255, 0, 0), thickness=3, lineType=8, shift=0)

            cv2.imshow('mtcnn', image)

            if cv2.waitKey(1) == 27:
                break

        cv2.destroyAllWindows()

if __name__ == '__main__':
    main()

运行结果，

上面的结果是实时的啊，我只是截了个图。

4、框出眼睛

在上面的基础上，我们就可以做框出左右眼的操作了。新建文件demo2.py，将demo1.py的代码复制过来，在demo1的基础上修改。

导库什么的代码跟demo1是一样的，我们来看不一样的，

# 新建保存左右眼数据的文件夹
index = 0
leftEyePath = 'leftEye'
rightEyePath = 'rightEye'

if not os.path.exists(leftEyePath):
    os.mkdir(leftEyePath)

if not os.path.exists(rightEyePath):
    os.mkdir(rightEyePath)

上面的代码是创建两个文件夹，用来保存我们抠出来的左右眼眶的图像的。

while True:

    if isFromCamera:
        ret, image = cam.read()
        if not ret:
            continue

    # 检测人脸，bounding_boxes可能包含多张人脸框数据，
    # 一张人脸框有5个数据，第一和第二个数据表示框左上角坐标，第三个第四个数据表示框右下角坐标，
    # 最后一个数据应该是可信度
    bounding_boxes, points = detect_face.detect_face(image, minsize, pnet, rnet, onet, threshold, factor)
    # print('bounding_boxes:', bounding_boxes)
    # print('points:', points)

    # 获得的人脸数量
    nrof_faces = bounding_boxes.shape[0]
    if nrof_faces > 0:
        det = bounding_boxes[:, 0:4]
        det_arr = []
        # 原图片大小
        img_size = np.asarray(image.shape)[0:2]
        if nrof_faces > 1:
            # 如果要检测多张人脸的话
            for i in range(nrof_faces):
                det_arr.append(np.squeeze(det[i]))
        else:
            # 只有一个人脸框的话，那就没得选了
            det_arr.append(np.squeeze(det))

        for i, det in enumerate(det_arr):
            det = np.squeeze(det)
            bb = np.zeros(4, dtype=np.int32)
            # 边界框周围的裁剪边缘，就是我们这里要裁剪的人脸框要比MTCNN获取的人脸框大一点，
            # 至于大多少，就由margin参数决定了
            bb[0] = np.maximum(det[0] - margin / 2, 0)
            bb[1] = np.maximum(det[1] - margin / 2, 0)
            bb[2] = np.minimum(det[2] + margin / 2, img_size[1])
            bb[3] = np.minimum(det[3] + margin / 2, img_size[0])

这部分跟demo1还是一样的。

# 左右眼的距离
leftToRightDist = int(np.sqrt(np.square(points[1][i] - points[0][i]) + np.square(points[6][i] - points[5][i])))

# 图片的宽高
imageW = img_size[1]
imageH = img_size[0]

# 左眼框的左上角坐标
leftEyeLX = max(0, int(points[0][i] - leftToRightDist / 3))
leftEyeLY = max(0, int(points[5][i] - leftToRightDist / 6))
# 左眼框的右下角坐标
leftEyeRX = min(imageW, int(points[0][i] + leftToRightDist / 3))
leftEyeRY = min(imageH, int(points[5][i] + leftToRightDist / 6))

# 右眼框的左上角坐标
rightEyeLX = max(0, int(points[1][i] - leftToRightDist / 3))
rightEyeLY = max(0, int(points[6][i] - leftToRightDist / 6))
# 右眼框的右下角坐标
rightEyeRX = min(imageW, int(points[1][i] + leftToRightDist / 3))
rightEyeRY = min(imageH, int(points[6][i] + leftToRightDist / 6))

# 抠出左眼框图像数据
leftEyeImage = image[leftEyeLY:leftEyeRY, leftEyeLX:leftEyeRX, :]
# 抠出右眼框图像数据
lrightEyeImage = image[rightEyeLY:rightEyeRY, rightEyeLX:rightEyeRX, :]

# 将抠出来的左右眼眶数据保存到本地
cv2.imwrite(os.path.join(leftEyePath, leftEyePath + str(index) + '.jpg'), leftEyeImage)
cv2.imwrite(os.path.join(rightEyePath, rightEyePath + str(index) + '.jpg'), lrightEyeImage)
index += 1

# 画出左眼框上横
cv2.line(image, (leftEyeLX, leftEyeLY), (leftEyeRX, leftEyeLY), (0, 255, 0), 3)
# 画出左眼框左竖
cv2.line(image, (leftEyeLX, leftEyeLY), (leftEyeLX, leftEyeRY), (0, 255, 0), 3)
# 画出左眼框右竖
cv2.line(image, (leftEyeRX, leftEyeLY), (leftEyeRX, leftEyeRY), (0, 255, 0), 3)
# 画出左眼框下横
cv2.line(image, (leftEyeLX, leftEyeRY), (leftEyeRX, leftEyeRY), (0, 255, 0), 3)

# 画出右眼框上横
cv2.line(image, (rightEyeLX, rightEyeLY), (rightEyeRX, rightEyeLY), (0, 255, 0), 3)
# 画出右眼框左竖
cv2.line(image, (rightEyeLX, rightEyeLY), (rightEyeLX, rightEyeRY), (0, 255, 0), 3)
# 画出右眼框右竖
cv2.line(image, (rightEyeRX, rightEyeLY), (rightEyeRX, rightEyeRY), (0, 255, 0), 3)
# 画出右眼框下横
cv2.line(image, (rightEyeLX, rightEyeRY), (rightEyeRX, rightEyeRY), (0, 255, 0), 3)

上面就是我们抠出左右眼的算法了。先计算出左右眼之间的距离，然后，分别算出每个眼眶的左上角坐标和右上角坐标。然后就可以将眼睛抠出来了，为了比较直观的看，我们还将这个框也实时显示出来了，并将抠出来的左右眼睛保存到本地。完整代码如下，

import tensorflow as tf
import os
import detect_face
import cv2
import numpy as np


def main():

    # 读摄像头数据还是本地图片数据
    isFromCamera = True

    with tf.Session() as sess:
        #获取P-Net，R-Net，O-Net网络
        pnet, rnet, onet = detect_face.create_mtcnn(sess, None)

        minsize = 20  # minimum size of face
        threshold = [0.6, 0.7, 0.7]  # three steps's threshold
        factor = 0.709  # scale factor
        margin = 0

        # 看是读取摄像头数据呢还是图片呢
        if isFromCamera:
            cam = cv2.VideoCapture(0)
        else:
            imagefile = 'images/01.jpg'
            if os.path.exists(imagefile):
                image = cv2.imread(imagefile, cv2.IMREAD_COLOR)
            else:
                print('图片文件不存在！')
                return False


        # 新建保存左右眼数据的文件夹
        index = 0
        leftEyePath = 'leftEye'
        rightEyePath = 'rightEye'

        if not os.path.exists(leftEyePath):
            os.mkdir(leftEyePath)

        if not os.path.exists(rightEyePath):
            os.mkdir(rightEyePath)

        while True:

            if isFromCamera:
                ret, image = cam.read()
                if not ret:
                    continue

            # 检测人脸，bounding_boxes可能包含多张人脸框数据，
            # 一张人脸框有5个数据，第一和第二个数据表示框左上角坐标，第三个第四个数据表示框右下角坐标，
            # 最后一个数据应该是可信度
            bounding_boxes, points = detect_face.detect_face(image, minsize, pnet, rnet, onet, threshold, factor)
            # print('bounding_boxes:', bounding_boxes)
            # print('points:', points)

            # 获得的人脸数量
            nrof_faces = bounding_boxes.shape[0]
            if nrof_faces > 0:
                det = bounding_boxes[:, 0:4]
                det_arr = []
                # 原图片大小
                img_size = np.asarray(image.shape)[0:2]
                if nrof_faces > 1:
                    # 如果要检测多张人脸的话
                    for i in range(nrof_faces):
                        det_arr.append(np.squeeze(det[i]))
                else:
                    # 只有一个人脸框的话，那就没得选了
                    det_arr.append(np.squeeze(det))

                for i, det in enumerate(det_arr):
                    det = np.squeeze(det)
                    bb = np.zeros(4, dtype=np.int32)
                    # 边界框周围的裁剪边缘，就是我们这里要裁剪的人脸框要比MTCNN获取的人脸框大一点，
                    # 至于大多少，就由margin参数决定了
                    bb[0] = np.maximum(det[0] - margin / 2, 0)
                    bb[1] = np.maximum(det[1] - margin / 2, 0)
                    bb[2] = np.minimum(det[2] + margin / 2, img_size[1])
                    bb[3] = np.minimum(det[3] + margin / 2, img_size[0])

                    # 左右眼的距离
                    leftToRightDist = int(np.sqrt(np.square(points[1][i] - points[0][i]) + np.square(points[6][i] - points[5][i])))

                    # 图片的宽高
                    imageW = img_size[1]
                    imageH = img_size[0]

                    # 左眼框的左上角坐标
                    leftEyeLX = max(0, int(points[0][i] - leftToRightDist / 3))
                    leftEyeLY = max(0, int(points[5][i] - leftToRightDist / 6))
                    # 左眼框的右下角坐标
                    leftEyeRX = min(imageW, int(points[0][i] + leftToRightDist / 3))
                    leftEyeRY = min(imageH, int(points[5][i] + leftToRightDist / 6))

                    # 右眼框的左上角坐标
                    rightEyeLX = max(0, int(points[1][i] - leftToRightDist / 3))
                    rightEyeLY = max(0, int(points[6][i] - leftToRightDist / 6))
                    # 右眼框的右下角坐标
                    rightEyeRX = min(imageW, int(points[1][i] + leftToRightDist / 3))
                    rightEyeRY = min(imageH, int(points[6][i] + leftToRightDist / 6))

                    # 抠出左眼框图像数据
                    leftEyeImage = image[leftEyeLY:leftEyeRY, leftEyeLX:leftEyeRX, :]
                    # 抠出右眼框图像数据
                    lrightEyeImage = image[rightEyeLY:rightEyeRY, rightEyeLX:rightEyeRX, :]

                    # 将抠出来的左右眼眶数据保存到本地
                    cv2.imwrite(os.path.join(leftEyePath, leftEyePath + str(index) + '.jpg'), leftEyeImage)
                    cv2.imwrite(os.path.join(rightEyePath, rightEyePath + str(index) + '.jpg'), lrightEyeImage)
                    index += 1

                    # 画出左眼框上横
                    cv2.line(image, (leftEyeLX, leftEyeLY), (leftEyeRX, leftEyeLY), (0, 255, 0), 3)
                    # 画出左眼框左竖
                    cv2.line(image, (leftEyeLX, leftEyeLY), (leftEyeLX, leftEyeRY), (0, 255, 0), 3)
                    # 画出左眼框右竖
                    cv2.line(image, (leftEyeRX, leftEyeLY), (leftEyeRX, leftEyeRY), (0, 255, 0), 3)
                    # 画出左眼框下横
                    cv2.line(image, (leftEyeLX, leftEyeRY), (leftEyeRX, leftEyeRY), (0, 255, 0), 3)

                    # 画出右眼框上横
                    cv2.line(image, (rightEyeLX, rightEyeLY), (rightEyeRX, rightEyeLY), (0, 255, 0), 3)
                    # 画出右眼框左竖
                    cv2.line(image, (rightEyeLX, rightEyeLY), (rightEyeLX, rightEyeRY), (0, 255, 0), 3)
                    # 画出右眼框右竖
                    cv2.line(image, (rightEyeRX, rightEyeLY), (rightEyeRX, rightEyeRY), (0, 255, 0), 3)
                    # 画出右眼框下横
                    cv2.line(image, (rightEyeLX, rightEyeRY), (rightEyeRX, rightEyeRY), (0, 255, 0), 3)

                    # 人脸框的上横
                    cv2.line(image, (bb[0], bb[1]), (bb[2], bb[1]), (0, 0, 255), 3)
                    # 人脸框的左竖
                    cv2.line(image, (bb[0], bb[1]), (bb[0], bb[3]), (0, 0, 255), 3)
                    # 人脸框的右竖
                    cv2.line(image, (bb[2], bb[1]), (bb[2], bb[3]), (0, 0, 255), 3)
                    # 人脸框的下横
                    cv2.line(image, (bb[0], bb[3]), (bb[2], bb[3]), (0, 0, 255), 3)

                    # 画出5个关键点
                    cv2.circle(image, (points[0][i], points[5][i]), 1, (255, 0, 0), thickness=3, lineType=8, shift=0)
                    cv2.circle(image, (points[1][i], points[6][i]), 1, (255, 0, 0), thickness=3, lineType=8, shift=0)
                    cv2.circle(image, (points[2][i], points[7][i]), 1, (255, 0, 0), thickness=3, lineType=8, shift=0)
                    cv2.circle(image, (points[3][i], points[8][i]), 1, (255, 0, 0), thickness=3, lineType=8, shift=0)
                    cv2.circle(image, (points[4][i], points[9][i]), 1, (255, 0, 0), thickness=3, lineType=8, shift=0)

            cv2.imshow('mtcnn', image)

            if cv2.waitKey(1) == 27:
                break

        cv2.destroyAllWindows()

if __name__ == '__main__':
    main()

运行结果，

是不是很简单啊～

如果你想更精确的框出眼睛，那就得用其他算法求出眼睛更多的关键点了，我就不拓展了。

 

如果您感觉本篇博客对您有帮助，请打开支付宝，领个红包支持一下，祝您扫到99元，谢谢～～

__Fang Wei__
关注
专栏目录
深度学习系列资料总结
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
07-17 2万+
说明本系列深度学习资料集合包含机器学习、深度学习等各系列教程，主要以计算机视觉资料为主，包括图像识别、分类、检测、分割等，内容参考Github及网络资源，仅供个人学习。深度学习定义一般是指通过训练多层网络结构对未知数据进行分类或回归深度学习分类有监督学习方法——深度前馈网络、卷积神经网络、循环神经网络等；无监督学习方法——深度信念网、深度玻尔兹曼机，深度自编码器等。手写机器学习笔记github机器学习算法公式推导以及numpy实现github人工智能相关术语link。..................
人工智能python3+tensorflow人脸识别_使用 face-api.js 在你的浏览器中做人脸识别（基于 tensorflow.js）...
weixin_29149259的博客
12-24 480
我很兴奋地告诉你，终于可以在浏览器中运行人脸识别了！这篇文章我将介绍 face-api.js ，这个类库构建于 tensorflow.js 之上。它实现了多个 CNNs(卷积神经网络)以解决人脸检测、人脸识别和人脸标识检测的问题，并进行了优化适用于网络和移动设备。与往常一样，我们将看一个简单的代码示例，演示几行代码就可以使用该软件包。如果您想先尝试一些示例，请查看演示页面！ 但不要忘了回来读这篇...
Eye Dataset 眼睛数据集-数据集
03-18
该数据集包含2423个对象，其中直接从Internet收集了1192个双眼睁开的对象，并且从“野生标签脸”（LFW）数据库中选择了1231个双眼睁开的对象。 Eye Dataset_datasets..txt Eye Dataset_datasets..zip
MTCNN批量读取图片进行人脸和关键点检测，并保存检测结果
XZZPPP的博客
07-10 5098
本博客在上一篇博客基础上添加了批量处理图片的功能，上一篇博客：   Windows下cmake编译caffe，实现纯C++版本MTCNN人脸检测和关键点定位       作者提供的程序是读取摄像头视频，而我需要读取图片，且利用txt文件批量读取图片，分别对每一张图片进行人脸检测和人脸关键点检测，并保存检测结果（也可以显示每张图片效果图）。 使用时，替换原来的
眼底数据集
01-17
眼底数据集，主要用于眼底图像的分割等实验，原图是彩色的
pytorch实现人脸检测与识别_MTCNN人脸检测Pytorch实现
weixin_32258183的博客
01-12 985
项目地址：GitHberChen/MTCNN_Pytorch接上篇：Uno Whoiam：MTCNN人脸检测：三个臭皮匠，顶个诸葛亮 || 5分钟看懂CV顶刊论文项目目录介绍：test_demo：存放测试结果的图片test_images：用于测试的图片weights：训练保存的模型权重文件create_dataset.py：用于解析CNN_FacePoint、WIDER_Face的.txt文件和...
芯科Silicon ZigbeeMinimalSoc模式下程序的默认存储布局
yehe111的博客
10-15 324
1、使用Silicon Studio创建的默认工程ZigbeeMinimalSoc，程序存储布局如下图所示： （1）最后一部分是Manufacture token，用于储存安全相关数据。 (2) NVM3用于模拟EEPROM，存储用户数据。
OpenCV计算机视觉入门：摄像头操作与图像采集指南
[OpenCV计算机视觉入门：摄像头操作与图像采集指南](https://www.sony.com/articleimage/servlet/servlet.FileDownload?file=0155F000007wIFiQAM) # 1. OpenCV简介** OpenCV（Open Source Computer Vision Library...
深度学习-服务端训练+android客户端物体识别实战（caffe入门教程+mobilenet+ncnn+android）
sinat_28371057的博客
11-16 1033
文章目录 背景 物体识别简介 自动驾驶 淘宝京东使用物体识别技术 公司业务需求 深度学习简介 深度学习的位置 深度学习概念 深度学习优势 深度学习基础知识 感知机 激活函数 多层感知机 卷积神经网络 卷积层 * 池化层 模型训练 前向传播 * 反向传播与参数优化 深度学习服务端框架 tensorFlow keras pytorch Caffe/Caffe2.0
计算机视觉研究入门全指南1
08-03
对于初学者来说，可以通过阅读博客来获取基础知识和行业动态。例如，CS231n课程的博客、AlexeyAB的深度学习教程以及Arxiv Insights的论文解读都是很好的资源。 要开始计算机视觉的研究，有两种常见的途径：一是通过...
TensorFlow MTCNN facenet 实现人脸识别
阳光非宅男的博客
01-10 6851
MTCNN用于检测出图片中的人脸，facenet用于识别人脸是谁。 一、整体思路 1 创建被识别目标的样本数据集。 这里我们选用刘翔和周杰伦来作为被识别的对象，因此，选取刘翔和周杰伦来作为基础的样本，提取出两者的数据集 1.1 利用MTCNN检测样本中的人脸，并且标识是l（刘翔） 还是 z(周杰伦) 1.2 利用facenet分别计算二者自己的embedding 并且保存。即样本的数据集...
基于MTCNN卷积神经网络的人脸识别
行歌
09-03 3024
       该文作者开源了测试代码，源代码可以在我之前的文章中或者Github中去下载，我对源代码的数据输入部分做了一些改动以更方便的实现人脸检测，即将  facedetect_mtcnn.py主函数文件更改为如下代码： # coding=utf-8 from __future__ import absolute_import from __future__ import division ...
tensorflow入门教程(三十五)facenet源码分析之MTCNN--人脸检测及关键点检测
韦访的专栏
01-25 4914
# #作者：韦访 #博客：https://blog.csdn.net/rookie_wei #微信：1007895847 #添加微信的备注一下是CSDN的 #欢迎大家一起学习 # ------韦访 20190123 1、概述 上一讲提到使用MTCNN可以将人脸检测出来，并且识别出5个关键点（左眼、右眼、鼻子、左嘴角、右嘴角）的位置。这一讲我们来分析一个facenet的源码，作为人脸识别的三讲...
Tensorflow调用facenet的mtcnn实现实时检测人脸功能
熊大的博客
03-12 1354
import cv2 import tensorflow as tf import align.detect_face def test(): video = cv2.VideoCapture(1) print('Creating networks and loading parameters') with tf.Graph().as_default(): ...
使用 mtcnn 做人脸特征点检测
ulong的学习记录
01-02 2214
代码环境： Windows10，python 3.6，opencv 3.x，tensorflow-gpu，face-net 的 mtcnn 模块 mtcnn 代码下载： https://github.com/davidsandberg/facenet/tree/master/src/align 代码： import tensorflow as tf import face_dete...
[深度之眼]TensorFlow2.0项目班-分类模型之自定义loss
qq_42827473的博客
06-10 469
准备工作： from __future__ import absolute_import, division, print_function, unicode_literals import tensorflow as tf from tensorflow.keras.layers import Dense, Flatten, Conv2D from tensorflow.keras import Model import numpy as np # 很奇怪，pycharm不加这段报错，anaconda
mtcnn-ncnn概念入门
JCYAO_的博客
10-12 4459
引言 刚接触人脸识别，各种新名词看的很懵逼，下面介绍下mtcnn和ncnn的概念入门 mtcnn介绍 mtcnn是什么 mtcnn：Multi-task convolutional neural network（多任务卷积神经网络） 其实是一种网络模型，一种算法，同级别的还有下面一些模型 物体分类领域：AlexNet VGG Inception ResNet mobileNet 目标检测领域：R-...
【seeprettyface.com】数据集：戴眼镜/笑容人脸数据集
a312863063的博客
04-24 4916
完整数据集下载地址：http://www.seeprettyface.com/mydataset.html ————————————————————————————————   因为GANs能无限的生成数据，就想到可以让它不停地画各种类型地图片，并做成一套数据集。   下面是第三类数据集，按照样式分类，生成了戴眼镜和笑容人脸数据集，各5万张，图片大小均为1024*1024。 戴眼镜人脸数据集   ...
人脸检测MTCNN和人脸识别Facenet(附源码)
热门推荐
tuuzhang的博客
12-05 2万+
原文链接：人脸检测MTCNN和人脸识别Facenet(附源码) 在说到人脸检测我们首先会想到利用Harr特征提取和Adaboost分类器进行人脸检测(有兴趣的可以去一看这篇博客第九节、人脸检测之Haar分类器)，其检测效果也是不错的，但是目前人脸检测的应用场景逐渐从室内演变到室外，从单一限定场景发展到广场、车站、地铁口等场景，人脸检测面临的要求越来越高，比如：人脸尺度多变、数量冗大、姿势多样包括...
TensorFlow入门教程：MNIST数据集读取与全连接网络训练
"这篇教程是关于使用TensorFlow学习和训练MNIST数据集的全连接神经网络。MNIST数据集是一个包含60,000个训练样本和10,000个测试样本的手写数字识别数据集，每张图片为28x28像素的灰度图像。数据可以从官方网站...
评论 3
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