轻量级高精度人脸检测方法DBFace简单使用

1.DBFace 简单介绍

DBFace是一个轻量级的人脸检测模型，大小仅为7M，该项目在保持较少参数的同时，检测精度也能保持很高，并且只需要opencv和pytorch就能运行。
下面这个图是从机器之心在知乎上的介绍中找到的，当阀值设置为0.2时，DBFace 对这张世界最大的自拍照检测效果如下图所示：

可以看到人脸识别的准确率还是相当高的。
DBFace的项目地址在这：https://github.com/dlunion/DBFace

2.摄像头使用DBFace进行人脸检测

我们把项目下载下来后找到一个地方解压，里面大概有这些文件。

这个项目需要opencv、numpy以及pytorch等库的支持，所以运行代码前要安装前面所说的库，在我之前的文章中有关于opencv和pytorch的安装方法，在2020.8.11时用还是可以用的。
我们直接在这个文件夹中建立一个camera.py文件，输入以下代码：

import common
import numpy as np
import torch
import torch.nn.functional as F
import torch.nn as nn
import cv2
from model.DBFace import DBFace
from main import detect


def camera_demo():
    dbface = DBFace()
    dbface.eval()

    HAS_CUDA = torch.cuda.is_available()
    if HAS_CUDA:
        dbface.cuda()

    dbface.load("model/dbface.pth")
    cap = cv2.VideoCapture(0)
    cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640)
    cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480)
    ok, frame = cap.read()

    while ok:
        objs = detect(dbface, frame)

        for obj in objs:
            common.drawbbox(frame, obj)

        cv2.imshow("demo DBFace", frame)
        key = cv2.waitKey(1) & 0xFF
        if key == ord('q'):
            break

        ok, frame = cap.read()

print("-----------------Hello Python------------------")
camera_demo()

代码是可以运行的，但是摄像头的画面会很卡，不知道是不是因为这个项目的处理时间比较长，我在前一篇文章中用的opencv自带的开源库用着就不卡，画面很流畅，这个就卡的一批。我没细看。

3. 利用DBFace来实现《黑人抬棺》的人脸检测

我之前用的paddlehub的一个模型，在比较之后感觉这个DBFace的检测更准确一点。最后的视频如下：

黑人抬棺之dbface人脸检测

代码如下：

import os
import common
import numpy as np
import torch
import torch.nn.functional as F
import torch.nn as nn
import cv2
from model.DBFace import DBFace
from main import detect


#----------------------------------------------------------------------------------- 
#这部分代码主要将视频按帧分为图片，将图片放在frame文件夹中

video = cv2.VideoCapture("/home/tanronkai/baidunetdiskdownload/blackman.mp4")

fps = video.get(cv2.CAP_PROP_FPS)#视频帧率
frameCount = video.get(cv2.CAP_PROP_FRAME_COUNT)#获取视频的总帧数
width = video.get(cv2.CAP_PROP_FRAME_WIDTH)#获取视频的宽度
height = video.get(cv2.CAP_PROP_FRAME_HEIGHT)

print('视频的宽度：{}'.format(width))
print('视频的高度：{}'.format(height))
print('视频帧率：{}'.format(fps))
print('视频总帧数：{}'.format(frameCount))

if not os.path.exists('frame'):
	os.mkdir('frame')

if not os.path.exists('img_out'):
	os.mkdir('img_out')

all_img = []
all_img_path_dict = {'image':[]}

ret,frame = video.read()
i = 0
while ret:

	all_img.append(frame)
	i += 1
	ret,frame = video.read()
	if ret:
		path = os.path.join('frame',str(i)+'.jpg')#用于名称拼接，输出frame1.jpg
		all_img_path_dict['image'].append(path)
		cv2.imwrite(path,frame)

print('完成！')


#-------------------------------------------------------------------------------------------------------------
#这部分主要是对图片进行检测，将检测后的图片输出到img_out文件夹中

dbface = DBFace()
dbface.eval()
HAS_CUDA = torch.cuda.is_available()
if  HAS_CUDA:
	dbface.cuda()

dbface.load("model/dbface.pth")
for i in range(1,int(frameCount)):#
	print('/frame/%d.jpg'%i)
	frame = cv2.imread('frame/%d.jpg'%i)
	objs = detect(dbface, frame)
	for obj in objs:
		common.drawbbox(frame, obj)

	cv2.imwrite("img_out/%d.jpg"%i, frame)