python dlib opencv人脸识别准确度_基于dlib和opencv库的人脸识别

基于dlib和opencv库的人脸识别

需下载68个特征点的人脸检测模型：

http://dlib.net/files/

文件名为shape_predictor_68_face_landmarks.dat

opencv包

img=cv2.imread(image)

功能：通过opev中的imread读取测试图片文件

参数：要读取的图片

img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)

功能：转换图片格式

参数：要转换的图片，转换的方式(这里是将BRG转换为RGB)

返回值：返回转换完成的图片

cv2.circle(img,center,radius,color,thickness)

功能：画一个圆

参数：要画圆的图片，图片中的圆心坐标，半径，颜色(color=(0,255,0)),粗细(thickness=2 必须为整数)

camera=cv2.VideoCapture(0)

功能：调用摄像头

camera.set(cv2.CAP_PROP_FRAME_WIDTH, 1080)

camera.set(cv2.CAP_PROP_FRAME_HEIGHT, 768)

功能：设置画面长宽

ret,frame=camera.read()

功能：获取摄像头中的每一帧的画面

返回值：ret为布尔值，如果读取帧是正确的则返回True，反之返回False；frame为每一帧的图像

frame=cv2.flip(frame,1)

功能：将获取的画面水平翻转

返回值：返回翻转后的画面

dlib包

检测器：

detector=dlib.get_frontal_face_detector()

功能：人脸检测画框

返回值：返回一个默认的人脸检测器

faces=detector(img,0)

功能：对图像画人脸框

参数：图片

返回值：人脸检测框的四点坐标

预测器：

predictor=dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")

功能：标记人脸68个关键点

参数：保存的模型路径

返回值：68个人脸关键点的预测器

matplotlib包

plt.figure(figzise=(10,8))

功能：声明整个画布的大小

参数：大小(此处为长为10，宽为8)

pt.subplot(121)

功能：开始绘图

参数：代表在整个画布中，图片有1行2列，此时从第1列的图片开始绘制

plt.imshow(img)

功能：显示画布中的图片

参数：要显示的图片

plt.axis("off")

功能：结束绘图

plt.show()

功能：显示画布

图像识别代码

import cv2

import dlib

import matplotlib.pyplot as plt

import numpy as np

test_img="test.jpg"

#通过opev中的imread读取测试图片文件

img=cv2.imread(test_img)

#人脸检测画框，返回一个默认的人脸检测器

detector = dlib.get_frontal_face_detector()

#通过模型建立,返回一个标记68个人脸关键点的预测器

predictor_path="shape_predictor_68_face_landmarks.dat"

predictor = dlib.shape_predictor(predictor_path)

#对图像画人脸框，返回人脸检测矩形框4点坐标

faces=detector(img,0)

if len(faces):

print("Found {0} faces".format(len(faces)))

for i in range (len(faces)):

landmarks = np.matrix([[p.x, p.y] for p in predictor(img, faces[i]).parts()])

for point in landmarks:

pos = (point[0, 0], point[0, 1])

#给68个特征点都画一个圆

cv2.circle(img, pos, 3, color=(0, 255, 0),thickness=1)

else:

print("Face not found")

#opencv读取的图片是BRG通道的，需要转换成RGB

img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)

#表示figure的大小为宽为10，长为8

plt.figure(figsize=(10,8))

#12代表有图片有一行两列，1代表此时绘制第一个图

plt.subplot(121)

plt.imshow(plt.imread(test_img))

plt.axis("off")

#12代表有图片有一行两列，2代表此时绘制第二个图

plt.subplot(122)

plt.imshow(img)

plt.axis("off")

plt.show()

摄像头识别代码

import cv2

import dlib

import numpy as np

class FaceDetective():

def __init__(self):

# 人脸检测画框，返回一个默认的人脸检测器

self.detector = dlib.get_frontal_face_detector()

# 通过模型建立,返回一个标记68个人脸关键点的预测器

self.predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")

def identify(self,frame):

# 对图像画人脸框，返回人脸检测矩形框4点坐标

faces=self.detector(frame,0)

if len(faces):

print("Found {0} face".format(len(faces)))

for i in range(len(faces)):

landmarks = np.matrix([[p.x, p.y] for p in self.predictor(frame, faces[i]).parts()])

for point in landmarks:

pos = (point[0, 0], point[0, 1])

cv2.circle(frame, pos, 3, color=(0, 0, 255), thickness=2)

else:

print("Face not found")

return frame

def run_camera(self):

# 调用摄像头

camera=cv2.VideoCapture(0)

# 设置长宽

camera.set(cv2.CAP_PROP_FRAME_WIDTH, 1080)

camera.set(cv2.CAP_PROP_FRAME_HEIGHT, 768)

while True:

# 读取摄像头每帧的画面

ret,frame=camera.read()

if ret:

# 水平翻转

frame=cv2.flip(frame,1)

# 对每帧的画面进行识别

frame=self.identify(frame)

cv2.imshow("CAM",frame)

# 按q退出

if cv2.waitKey(1) & 0xFF == ord('q'):

break

camera.release()

cv2.destroyAllWindows()

if __name__=='__main__':

FaceDetective().run_camera()

之前尝试不使用类来写摄像头识别的代码，发现调用摄像头后的运行效率极低，原因可能是类的使用能够减少python内存的消耗。