【Opencv&Cpp】27 大的来了：基于深度学习的人脸识别

最新推荐文章于 2024-08-02 17:26:38 发布

怎么回事呐

最新推荐文章于 2024-08-02 17:26:38 发布

阅读量445

点赞数

分类专栏： opencv学习文章标签：人脸识别 opencv 深度学习 cpp

本文链接：https://blog.csdn.net/xiaob_8310/article/details/119512528

版权

opencv学习专栏收录该内容

28 篇文章 0 订阅

订阅专栏

该博客介绍了如何使用OpenCV的DNN模块进行人脸检测。首先，通过download_models.py下载所需网络文件，接着利用blobFromImage对图像进行预处理，包括调整大小、减去平均值和缩放。然后，设置网络输入并进行前向传播获取检测结果。在结果解析过程中，如果置信度超过0.5，则标记出人脸区域。整个流程展示了基于深度学习的人脸检测应用。

摘要由CSDN通过智能技术生成

部分资料来源于 opencv基于DNN的人脸检测

opencv的base里是有dnn这个深度学习文件的。目录：...opencv\sources\samples\dnn

通过download_models.py下载相关net文件

当然有可能因为网络原因不能下载，那么可以去github上下载，我也会贴出来

face_detector-深度学习文档类资源

blobFromImage预处理

在进行深度学习或者图片分类时，blobFromImage主要是用来对图片进行预处理。从图像创建 4 维 blob。可选择从中心调整大小和裁剪图像，减去平均值，比例值按比例因子，交换蓝色和红色通道。

包含两个主要过程：

整体像素值减去平均值（mean）
通过缩放系数（scalefactor）对图片像素值进行缩放

blobFromlmage(

cv:InputArray image,

double scalefactor = (1.0),   //输出图像的大小空间大小

const cv:Size &size =c::Size0,   //图像值的比例因子乘数。

const cx::Scalar &mean = cv:Scalar0,  
/*需要将图片整体减去的平均值，
如果我们需要对RGB图片的三个通道分别减去不同的值，
那么可以使用3组平均值，如果只使用一组，那么就默认对三个通道减去一样的值。
减去平均值（mean）：为了消除同一场景下不同光照的图片，对我们最终的分类或者神经网络的影响，
我们常常对图片的R、G、B通道的像素求一个平均值，
然后将每个像素值减去我们的平均值，
这样就可以得到像素之间的相对值，就可以排除光照的影响。
*/

bool swapRB = false,  //swapRB 标志，表示需要在 3 通道图像中交换第一个和最后一个通道。

boolcrop = false,   //裁剪标志，指示在调整大小后是否裁剪图像

int ddepth= 5  //ddepth 输出 blob 的深度。选择 CV 32F 或 CV 8U。

）

setInput

void cv::dnn::Net::setInput    (    
    InputArray     blob,
    const String &     name = "",
    double     scalefactor = 1.0,
    const Scalar &     mean = Scalar() )

blob：一个新的blob。应该有CV_32F或CV_8U深度。就是上文中介绍的blobFromImage的返回值
name：输入图层的名称。
scalefactor：可选的标准化比例。
mean：一个可选的平均减法值。

capture.read(frame);
		flip(frame, frame, 1);  //翻

		if (frame.empty()) {
			break;
		}

	
		Mat blob = dnn::blobFromImage(frame, 1.0, Size(300, 300), Scalar(104, 177, 123), false, false);   //深度学习的预处理    均值Scalar(104, 177, 123)   不进行通道交换

		net.setInput(blob);// NCHW  number、chanel、high、weigh

		Mat probs = net.forward(); // 特征返回

		Mat detectionMat(probs.size[2], probs.size[3], CV_32F, probs.ptr<float>());  //  
		
		// 解析结果
		for (int i = 0; i < detectionMat.rows; i++) {
			float confidence = detectionMat.at<float>(i, 2);
			if (confidence > 0.5) {
				int x1 = static_cast<int>(detectionMat.at<float>(i, 3) * frame.cols);
				int y1 = static_cast<int>(detectionMat.at<float>(i, 4) * frame.rows);
				int x2 = static_cast<int>(detectionMat.at<float>(i, 5) * frame.cols);
				int y2 = static_cast<int>(detectionMat.at<float>(i, 6) * frame.rows);
				Rect box(x1, y1, x2 - x1, y2 - y1);
				rectangle(frame, box, Scalar(0, 0, 255), 2, 8, 0);
			}
		}
	

		imshow("人脸检测演示", frame);
		int c = waitKey(16);
		if (c == 27) { // 退出
			break;
		}
	}