《深度学习》OpenCV库、Dlib库 人脸检测 案例解析

目录

一、Dlib库

1、什么是Dlib库

2、OpenCV优缺点

1)优点

2)缺点

3、Dlib库优缺点

1)优点

2)缺点

4、安装Dlib库

二、案例实现

1、对图片进行人脸识别

运行结果:

2、使用摄像头或对视频检测人脸

运行结果:


一、Dlib库

1、什么是Dlib库

Dlib库是一个适用于C++Python的第三方库。包含机器学习、计算机视觉和图像处理的工具包,被广泛的应用于机器人、嵌入式设备、移动电话和大型高性能计算环境。是开源许可用户免费使用。

2、OpenCV优缺点

1)优点

可以在CPU上实时工作

简单的架构

可以检测不同比例的人脸

2)缺点

会出现大量的把非人脸预测为人脸的情况

• 不适用于非正面人脸图像

• 不抗遮挡

3、Dlib库优缺点

1)优点

适用于正面略微非正面的人脸

**•**语法极简单

**•**再小的遮挡下仍可工作。

2)缺点

• 不能检测小脸 ,因为它训练数据的最小人脸尺寸为80×80,较小尺寸的人脸数据需自己训练检测器

• 边界框通常排除前额 的一部分甚至下巴的一部分

不适用于侧面极端非正面,如俯视或仰视。

4、安装Dlib库

**1)**pip install dlib -i 镜像地址

**2)**找到dlib库的whl文件进行安装

在whl文件目录下,点击上方文件地址栏,输入cmd,然后使用命令pip install whl文件名即可

二、案例实现

1、对图片进行人脸识别

python 复制代码
import cv2
import dlib


# 使用HOG算法、线性分类器、金字塔图像结构和滑动窗口检测等技术。
# 比opencv提供的harr级联分类器效果更好
"""生成人脸检测器"""
detector = dlib.get_frontal_face_detector()   # 构造脸部位置检测器HOG
img = cv2.imread("people2.png")

# 参数:image:待检测的可能含有人脸的图像。
# 参数n:表示采用上采样的次数。上采样会让图像变大,能够检测到更多人脸对象,提高小人脸的检测效果
# #通常建议将此參数设置为0 或 1。较大的值会增加检测的准确性,但会降低处理速度。
# 返回值faces:返回检测图像中的所有人脸。
faces = detector(img,3)   # 使用构造的脸部位置检测器HOG对图像进行检测,3表示上采样次数
for face in faces:   # 对每个人脸框进行逐个处理
    # 获取人脸框的坐标
    x1 = face.left()   # 获取左边像素点的x坐标
    y1 = face.top()   # 获取上边界y坐标
    x2 = face.right()   # 右边界x坐标
    y2 = face.bottom()   # 下边界y坐标
    # 绘制人脸框
    cv2.rectangle(img,(x1,y1),(x2,y2),(0,255,0),2)

# 是不捕获到的各个人脸框
cv2.imshow("result",img)
cv2.waitKey(0)
cv2.destroyAllWindows()
运行结果:

2、使用摄像头或对视频检测人脸

python 复制代码
import cv2
import dlib

detector = dlib.get_frontal_face_detector()   # 构造脸部位置检测器HOG

cap = cv2.VideoCapture('笑容.mp4')   # 读取视频帧
# cap = cv2.VideoCapture(0)  # 打开摄像头

if not cap.isOpened():   # 如果打开失败
    print("Cannot open camera")
    exit()  # 终止程序

while True:  # 建立死循环,用来不停地读取视频的每一帧画面
    ret, image = cap.read()  # 读取视频帧,返回读入状态的布尔值和图片,一次读取一帧画面
    if not ret:  # 读取失败,则退出循环
        print("不能读取摄像头")
        break

    faces = detector(image,0)   # 使用脸部位置检测器对每一帧画面进行识别,0表示上采样次数

    for face in faces:   # 对每个人脸框进行逐个处理
        x1 = face.left()
        y1 = face.top()
        x2 = face.right()
        y2 = face.bottom()
        # 绘制人脸框
        cv2.rectangle(image,(x1,y1),(x2,y2),(0,255,0),2)
        
    # 展示捕获到的各个人脸框
    cv2.imshow("result",image)
    k = cv2.waitKey(20)   # 每一帧画面执行20毫秒
    if k == 27:   # 如果键盘点击esc键,终止循环
        break
cv2.destroyAllWindows()   # 关闭所有窗口释放资源
运行结果:
相关推荐
Scc_hy4 分钟前
强化学习_Paper_1988_Learning to predict by the methods of temporal differences
人工智能·深度学习·算法
袁煦丞7 分钟前
【亲测】1.5万搞定DeepSeek满血版!本地部署避坑指南+内网穿透黑科技揭秘
人工智能·程序员·远程工作
大模型真好玩9 分钟前
理论+代码一文带你深入浅出MCP:人工智能大模型与外部世界交互的革命性突破
人工智能·python·mcp
遇码22 分钟前
大语言模型开发框架——LangChain
人工智能·语言模型·langchain·llm·大模型开发·智能体
在狂风暴雨中奔跑22 分钟前
使用AI开发Android界面
android·人工智能
飞哥数智坊24 分钟前
AI编程实战:30分钟实现Web 3D船舶航行效果
人工智能·three.js
誉鏐27 分钟前
从零开始设计Transformer模型(1/2)——剥离RNN,保留Attention
人工智能·深度学习·transformer
Ai野生菌28 分钟前
工具介绍 | SafeLLMDeploy教程来了 保护本地LLM安全部署
网络·人工智能·安全·大模型·llm
契合qht53_shine34 分钟前
OpenCV 从入门到精通(day_05)
人工智能·opencv·计算机视觉
3DVisionary42 分钟前
3D-DIC与机器学习协同模拟材料应力-应变本构行为研究
人工智能·机器学习·3d·3d-dic技术 机器学习·应力-应变本构行为·卷积神经网络(ecnn)·数字图像相关法(dic)