2. 程式人生 > >Dlib+OpenCV深度學習人臉識別

Dlib+OpenCV深度學習人臉識別

阿新 • • 發佈：2017-06-23
row 拷貝 too 這一 驗證 message word endif all

目錄(?)[+]

  1. DlibOpenCV深度學習人臉識別
  2. 前言
  3. 人臉數據庫導入
  4. 人臉檢測
  5. 人臉識別
  6. 異常處理

Dlib+OpenCV深度學習人臉識別

  1. 前言

人臉識別在LWF(Labeled Faces in the Wild)數據集上人臉識別率現在已經99.7%以上，這個識別率確實非常高了，但是真實的環境中的準確率有多少呢？我沒有這方面的數據，但是可以確信的是真實環境中的識別率並沒有那麽樂觀。現在雖然有一些商業應用如員工人臉識別管理系統、海關身份驗證系統、甚至是銀行人臉識別功能，但是我們可以仔細想想員工人臉識別管理，海關身份證系統的應用場景對身份的驗證功能其實並沒有商家吹噓的那麽重要，打個比方說員工上班的時候刷臉如果失敗了會怎樣，是不是重新識別一下，如果還是誤識別，或是識別不出，是不是就幹脆刷卡或是其他方式登記上班，然後罵一句他娘的，本人那麽帥居然沒識別出來！那銀行櫃員機上人臉識別系統呢，你看它敢不敢讓你連密碼也不輸直接刷臉轉賬，是不是關掉了人臉識別、指紋識別機器還可以正常運作。所以說真實環境中在各種光照因素、年齡因素、網紅因素（化妝）、甚至是作弊因素等各種因素條件下的識別率有多少只有產品廠家自己知道，我相信每個廠家針對這些情況都有做優化，比如外圍硬件的輔助，針對特定場景的各種約束等等，通過各個廠家自己在各個方面對系統的優化，是可以提升自身產品的綜合體驗的。

前面扯遠了，本文的目的是實現一個人臉識別的最簡單實際應用，即用攝像頭捕捉動態人臉，然後和已經存儲在數據庫中的128D人臉特征進行比較識別出相應的人臉信息（名字等）。工程是基於VS2015+簡單的MFC對話框實現的，代碼存放在：http://git.oschina.net/wjiang/face_recognition

在這個系統中我預先存儲了下面幾位明星的正面頭像的128D人臉特征，當然你可以存儲和導入更多的人臉。

技術分享

然後經過人臉檢測、人臉圖像處理，和人臉識別等步驟識別出相應的人臉信息，識別效果如下（怕大家被醜到所以用了明星的圖片，沒有用真實的人臉 – 沒有做活體檢測）：

技術分享

技術分享

當然這只是一個簡單的應用，真正用到生產的系統，還需運用活體檢測等技術，防止運用照片或是手機視頻等方式欺騙過人臉識別系統，安全級別要求更高的應用領域例如支付、轉賬等系統活體檢測可能仍不夠安全，這時還可以通過人臉識別+驗證密碼等方式加強安全性能。

  1. 人臉數據庫導入

人臉數據導入，也就是說我在系統啟動之初，需要導入我的人臉數據庫，也就是前面的那些明星的正面照。裝載的開始階段，因為要檢測靜態人臉圖片的人臉部位，首先需要用dlib的人臉檢測器，用get_frontal_face_detector()獲得。然後需要將68點人臉標記模型導入shape_predictor sp，目的就是要對其人臉到一個標準的姿勢，接著就是裝載DNN模型。然後取每張人臉照片的特征，並將特征和姓名等相關的信息放入FACE_DESC結構中，最後將每張人臉信息結構放入face_desc_vec容器中，這裏我只裝載了9個明星的人臉信息。

[cpp] view plain copy print?
  1. int FACE_RECOGNITION::load_db_faces(void)
  2. {
  3. intrc = -1;
  4. longhFile = 0;
  5. struct_finddata_tfileinfo;
  7. frontal_face_detectordetector =get_frontal_face_detector();
  8. // We will also use a face landmarking model to align faces to a standard pose: (see face_landmark_detection_ex.cpp for an introduction)
  9. deserialize("shape_predictor_68_face_landmarks.dat") >>sp;
  11. // And finally we load the DNN responsible for face recognition.
  12. deserialize("dlib_face_recognition_resnet_model_v1.dat") >>net;
  14. if ((hFile =_findfirst(".\\faces\\*.jpg", &fileinfo)) != -1)
  15. {
  16. do
  17. {
  18. if ((fileinfo.attrib &_A_ARCH))
  19. {
  20. if (strcmp(fileinfo.name,".") != 0 && strcmp(fileinfo.name,"..") != 0)
  21. {
  22. if (!strcmp(strstr(fileinfo.name,".") + 1 , "jpg"))
  23. {
  24. cout <<"This file is an image file!" <<fileinfo.name <<endl;
  25. matrix<rgb_pixel>img;
  26. charpath[260];
  27. sprintf_s(path,".\\faces\\%s",fileinfo.name);
  28. load_image(img,path);
  29. image_windowwin(img);
  31. for (autoface :detector(img))
  32. {
  33. autoshape =sp(img,face);
  34. matrix<rgb_pixel>face_chip;
  35. extract_image_chip(img,get_face_chip_details(shape, 150, 0.25),face_chip);
  36. //Record the all this face‘s information
  37. FACE_DESCsigle_face;
  38. sigle_face.face_chip =face_chip;
  39. sigle_face.name =fileinfo.name;
  41. std::vector<matrix<rgb_pixel>>face_chip_vec;
  42. std::vector<matrix<float, 0, 1>>face_all;
  44. face_chip_vec.push_back(move(face_chip));
  45. //Asks the DNN to convert each face image in faces into a 128D vector
  46. face_all =net(face_chip_vec);
  48. //Get the feature of this person
  49. std::vector<matrix<float, 0, 1>>::iteratoriter_begin = face_all.begin(),
  50. iter_end =face_all.end();
  51. if (face_all.size() > 1)break;
  52. sigle_face.face_feature = *iter_begin;
  54. //all the person description into vector
  55. face_desc_vec.push_back(sigle_face);
  57. win.add_overlay(face);
  58. }
  59. }
  60. else
  61. {
  62. cout <<"This file is not image file!" <<fileinfo.name <<endl;
  63. }
  64. }
  65. }
  66. else
  67. {
  68. //files.push_back(p.assign(path).append("\\").append(fileinfo.name));
  69. }
  70. } while (_findnext(hFile, &fileinfo) == 0);
  71. _findclose(hFile);
  72. }
  73. returnrc;
  74. } 
int FACE_RECOGNITION::load_db_faces(void)
{
    intrc = -1;
    longhFile = 0;
    struct_finddata_tfileinfo;
 
    frontal_face_detectordetector =get_frontal_face_detector();
    // We will also use a face landmarking model to align faces to a standard pose: (see face_landmark_detection_ex.cpp for an introduction)
    deserialize("shape_predictor_68_face_landmarks.dat") >>sp;
 
    // And finally we load the DNN responsible for face recognition.
    deserialize("dlib_face_recognition_resnet_model_v1.dat") >>net;
 
    if ((hFile =_findfirst(".\\faces\\*.jpg", &fileinfo)) != -1)
    {
        do
        {
            if ((fileinfo.attrib &_A_ARCH))
            {
                if (strcmp(fileinfo.name,".") != 0 && strcmp(fileinfo.name,"..") != 0)
                {
                    if (!strcmp(strstr(fileinfo.name,".") + 1 , "jpg"))
                    {
                        cout <<"This file is an image file!" <<fileinfo.name <<endl;
                        matrix<rgb_pixel>img;
                        charpath[260];
                        sprintf_s(path,".\\faces\\%s",fileinfo.name);
                        load_image(img,path);
                        image_windowwin(img);
 
                        for (autoface :detector(img))
                        {
                            autoshape =sp(img,face);
                            matrix<rgb_pixel>face_chip;
                            extract_image_chip(img,get_face_chip_details(shape, 150, 0.25),face_chip);
                            //Record the all this face‘s information
                            FACE_DESCsigle_face;
                            sigle_face.face_chip =face_chip;
                            sigle_face.name =fileinfo.name;
 
                            std::vector<matrix<rgb_pixel>>face_chip_vec;
                            std::vector<matrix<float, 0, 1>>face_all;
 
                            face_chip_vec.push_back(move(face_chip));
                            //Asks the DNN to convert each face image in faces into a 128D vector
                            face_all =net(face_chip_vec);
 
                            //Get the feature of this person
                            std::vector<matrix<float, 0, 1>>::iteratoriter_begin = face_all.begin(),
                                iter_end =face_all.end();
                            if (face_all.size() > 1)break;
                            sigle_face.face_feature = *iter_begin;
 
                            //all the person description into vector
                            face_desc_vec.push_back(sigle_face);
 
                            win.add_overlay(face);
                        }
                    }
                    else
                    {
                        cout <<"This file is not image file!" <<fileinfo.name <<endl;
                    }                    
                }
            }
            else
            {
                //files.push_back(p.assign(path).append("\\").append(fileinfo.name));
            }
        } while (_findnext(hFile, &fileinfo) == 0);
        _findclose(hFile);
    }
    returnrc;
}

  1. 人臉檢測

人臉檢測在人臉識別的應用系統中我認為是至關重要的一環，因為人臉檢測的好壞直接影響最終的識別率，如果在人臉檢測階段能做到盡量好的話，系統的識別率會有一個比較大的提升。下面的是人臉檢測的具體代碼實現（很簡陋莫怪），嘗試了用Dlib人臉檢測，OpenCV人臉檢測，還有於仕琪的libfacedetection，比較發現於仕琪的libfacedetection是做人臉檢測最好的一個，速度快，並且檢測圖像效果也很好。

[cpp] view plain copy print?
  1. intcapture_face(Matframe,Mat&out)
  2. {
  3. Matgray;
  4. Matface;
  5. intrc = -1;
  7. if (frame.empty() || !frame.data)return -1;
  9. cvtColor(frame,gray,CV_BGR2GRAY);
  10. int *pResults =NULL;
  12. unsignedchar *pBuffer = (unsignedchar *)malloc(DETECT_BUFFER_SIZE);
  13. if (!pBuffer)
  14. {
  15. fprintf(stderr,"Can not alloc buffer.\n");
  16. return -1;
  17. }
  18. //pResults = facedetect_frontal_tmp((unsigned char*)(gray.ptr(0)), gray.cols, gray.rows, gray.step,
  19. // 1.2f, 5, 24);
  20. pResults =facedetect_multiview_reinforce(pBuffer, (unsignedchar*)(gray.ptr(0)),gray.cols,gray.rows, (int)gray.step,
  21. 1.2f, 2, 48, 0, 1);
  23. //printf("%d faces detected.\n", (pResults ? *pResults : 0));//重復運行
  24. //print the detection results
  25. if (pResults !=NULL)
  26. {
  27. for (inti = 0;i < (pResults ? *pResults : 0);i++)
  28. {
  29. short *p = ((short*)(pResults + 1)) + 6 *i;
  30. intx =p[0];
  31. inty =p[1];
  32. intw =p[2];
  33. inth =p[3];
  34. intneighbors =p[4];
  36. Rect_<float>face_rect =Rect_<float>(x,y,w, h);
  37. face =frame(face_rect);
  39. printf("face_rect=[%d, %d, %d, %d], neighbors=%d\n",x,y, w,h,neighbors);
  40. Pointleft(x,y);
  41. Pointright(x +w,y + h);
  42. cv::rectangle(frame,left,right, Scalar(230, 255, 0), 4);
  43. }
  44. //imshow("frame", frame);
  45. if (face.empty() || !face.data)
  46. {
  47. face_detect_count = 0;
  48. return -1;
  49. }
  50. if (face_detect_count++ > 30)
  51. {
  52. imshow("face",face);
  53. out =face.clone();
  54. return 0;
  55. }
  56. }
  57. else
  58. {
  59. //face is moving, and reset the detect count
  60. face_detect_count = 0;
  61. }
  63. returnrc;
  64. } 
intcapture_face(Matframe,Mat&out)
{
    Matgray;
    Matface;
    intrc = -1;
 
    if (frame.empty() || !frame.data)return -1;
 
    cvtColor(frame,gray,CV_BGR2GRAY);
    int *pResults =NULL;
 
    unsignedchar *pBuffer = (unsignedchar *)malloc(DETECT_BUFFER_SIZE);
    if (!pBuffer)
    {
        fprintf(stderr,"Can not alloc buffer.\n");
        return -1;
    }
    //pResults = facedetect_frontal_tmp((unsigned char*)(gray.ptr(0)), gray.cols, gray.rows, gray.step,
    //    1.2f, 5, 24);
    pResults =facedetect_multiview_reinforce(pBuffer, (unsignedchar*)(gray.ptr(0)),gray.cols,gray.rows, (int)gray.step,
        1.2f, 2, 48, 0, 1);
 
    //printf("%d faces detected.\n", (pResults ? *pResults : 0));//重復運行
                                                            //print the detection results
    if (pResults !=NULL)
    {
        for (inti = 0;i < (pResults ? *pResults : 0);i++)
        {
            short *p = ((short*)(pResults + 1)) + 6 *i;
            intx =p[0];
            inty =p[1];
            intw =p[2];
            inth =p[3];
            intneighbors =p[4];
 
            Rect_<float>face_rect =Rect_<float>(x,y,w, h);
            face =frame(face_rect);
 
            printf("face_rect=[%d, %d, %d, %d], neighbors=%d\n",x,y, w,h,neighbors);
            Pointleft(x,y);
            Pointright(x +w,y + h);
            cv::rectangle(frame,left,right, Scalar(230, 255, 0), 4);        
        }
        //imshow("frame", frame);
        if (face.empty() || !face.data)
        {
            face_detect_count = 0;
            return -1;
        }
        if (face_detect_count++ > 30)
        {
            imshow("face",face);
            out =face.clone();
            return 0;
        }
    }
    else
    {
        //face is moving, and reset the detect count
        face_detect_count = 0;
    }
 
    returnrc;
}

  1. 人臉識別

通過人臉檢測函數capture_face()經過處理之後臨時保存在工程目錄下的cap.jpg，用get_face_chip_details()函數將檢測到的目標圖片標準化為150*150像素大小，並對人臉進行旋轉居中，用extract_image_chip()取得圖像的一個拷貝，然後將其存儲到自己的圖片face_chip中，把的到face_chip放入vect_faces容器中，傳送給深度神經網絡net，得到捕捉到人臉圖片的128D向量特征。最後在事先導入的人臉數據庫中遍歷與此特征最相近的人臉即可識別出相應的人臉信息。

這種模式的應用，也就是我們所說的1：N應用，1對N是比較考驗系統運算能力的，舉個例子，現在支付寶賬戶應該已經是上億級別的用戶，如果你在就餐的時候選擇使用支付寶人臉支付，也許在半個小時內服務器也沒有找你的臉，這下就悲催，當然在真實應用場景可能是還需要你輸入你的名字，這下可能就快多了，畢竟全國可能和你重名的也就了不的幾千上萬個吧，一搜索，人臉識別再一驗證即可。

前面的這些還沒有考慮安全的因素，比如說雙胞胎啊，化妝啊（網紅的年代啊），還有年齡的因素，環境的因素還包括光照、角度等導致的誤識別或是識別不出，識別不出的情況還好，如果是誤識別對於支付等對於安全性要求極其嚴苛的應用來說簡直就是災難。所以人臉識別還有很大的局限性 – 額，好像扯遠了。

[cpp] view plain copy print?
  1. matrix<rgb_pixel> face_cap;
  2. //save the capture in the project directory
  3. load_image(face_cap, ".\\cap.jpg");
  5. //Display the raw image on the screen
  6. image_window win1(face_cap);
  8. frontal_face_detector detector = get_frontal_face_detector();
  9. std::vector<matrix<rgb_pixel>> vect_faces;
  11. for (auto face : detector(face_cap))
  12. {
  13. auto shape = face_recognize.sp(face_cap, face);
  14. matrix<rgb_pixel> face_chip;
  15. extract_image_chip(face_cap, get_face_chip_details(shape, 150, 0.25), face_chip);
  16. vect_faces.push_back(move(face_chip));
  17. win1.add_overlay(face);
  18. }
  20. if (vect_faces.size() != 1)
  21. {
  22. cout <<"Capture face error! face number "<< vect_faces.size() << endl;
  23. cap.release();
  24. goto CAPTURE;
  25. }
  27. //Use DNN and get the capture face‘s feature with 128D vector
  28. std::vector<matrix<float, 0, 1>> face_cap_desc = face_recognize.net(vect_faces);
  29. //Browse the face feature from the database, and find the match one
  30. std::pair<double,std::string> candidate_face;
  31. std::vector<double> len_vec;
  33. std::vector<std::pair<double, std::string>> candi_face_vec;
  34. candi_face_vec.reserve(256);
  36. for (size_t i = 0; i < face_recognize.face_desc_vec.size(); ++i)
  37. {
  38. auto len = length(face_cap_desc[0] - face_recognize.face_desc_vec[i].face_feature);
  39. if (len < 0.45)
  40. {
  41. len_vec.push_back(len);
  42. candidate_face.first = len;
  43. candidate_face.second = face_recognize.face_desc_vec[i].name.c_str();
  44. candi_face_vec.push_back(candidate_face);
  46. ifdef _FACE_RECOGNIZE_DEBUG
  47. char buffer[256] = {0};
  48. sprintf_s(buffer, "Candidate face %s Euclid length %f",
  49. face_recognize.face_desc_vec[i].name.c_str(),
  50. len);
  51. MessageBox(CString(buffer), NULL, MB_YESNO);
  52. endif
  53. }
  54. else
  55. {
  56. cout << "This face from database is not match the capture face, continue!" << endl;
  57. }
  58. }
  60. //Find the most similar face
  61. if (len_vec.size() != 0)
  62. {
  63. shellSort(len_vec);
  65. int i(0);
  66. for (i = 0; i != len_vec.size(); i++)
  67. {
  68. if (len_vec[0] == candi_face_vec[i].first)
  69. break;
  70. }
  72. char buffer[256] = { 0 };
  73. sprintf_s(buffer, "The face is %s -- Euclid length %f",
  74. candi_face_vec[i].second.c_str(), candi_face_vec[i].first);
  75. if (MessageBox(CString(buffer), NULL, MB_YESNO) == IDNO)
  76. {
  77. face_record();
  78. }
  79. }
  80. else
  81. {
  82. if (MessageBox(CString("Not the similar face been found"), NULL, MB_YESNO) == IDYES)
  83. {
  84. face_record();
  85. }
  86. }
  88. face_detect_count = 0;
  89. frame.release();
  90. face.release(); 
	matrix<rgb_pixel> face_cap;
	//save the capture in the project directory
	load_image(face_cap, ".\\cap.jpg");

	//Display the raw image on the screen
	image_window win1(face_cap);

	frontal_face_detector detector = get_frontal_face_detector();
	std::vector<matrix<rgb_pixel>> vect_faces;

	for (auto face : detector(face_cap))
	{
		auto shape = face_recognize.sp(face_cap, face);
		matrix<rgb_pixel> face_chip;
		extract_image_chip(face_cap, get_face_chip_details(shape, 150, 0.25), face_chip);
		vect_faces.push_back(move(face_chip));
		win1.add_overlay(face);
	}

	if (vect_faces.size() != 1)
	{
		cout <<"Capture face error! face number "<< vect_faces.size()  << endl;
		cap.release();
		goto CAPTURE;
	}

	//Use DNN and get the capture face‘s feature with 128D vector
	std::vector<matrix<float, 0, 1>> face_cap_desc = face_recognize.net(vect_faces);
	//Browse the face feature from the database, and find the match one
	std::pair<double,std::string> candidate_face;
	std::vector<double> len_vec;

	std::vector<std::pair<double, std::string>> candi_face_vec;
	candi_face_vec.reserve(256);

	for (size_t i = 0; i < face_recognize.face_desc_vec.size(); ++i)
	{
		auto len = length(face_cap_desc[0] - face_recognize.face_desc_vec[i].face_feature);
	    if (len < 0.45)
		{
			len_vec.push_back(len);
			candidate_face.first = len;
			candidate_face.second = face_recognize.face_desc_vec[i].name.c_str();
			candi_face_vec.push_back(candidate_face);

#ifdef _FACE_RECOGNIZE_DEBUG
			char buffer[256] = {0};
			sprintf_s(buffer, "Candidate face %s Euclid length %f",
				face_recognize.face_desc_vec[i].name.c_str(),
				len);
			MessageBox(CString(buffer), NULL, MB_YESNO);
#endif
		}
		else
		{
			cout << "This face from database is not match the capture face, continue!" << endl;
		}
	}

	//Find the most similar face
	if (len_vec.size() != 0)
	{
		shellSort(len_vec);

		int i(0);
		for (i = 0; i != len_vec.size(); i++)
		{
			if (len_vec[0] == candi_face_vec[i].first)
				break;
		}

		char buffer[256] = { 0 };
		sprintf_s(buffer, "The face is %s -- Euclid length %f",
			candi_face_vec[i].second.c_str(), candi_face_vec[i].first);
		if (MessageBox(CString(buffer), NULL, MB_YESNO) == IDNO)
		{
			face_record();
		}
	}
	else
	{
		if (MessageBox(CString("Not the similar face been found"), NULL, MB_YESNO) == IDYES)
		{
			face_record();
		}
	}	

	face_detect_count = 0;
	frame.release();
	face.release();

  1. 異常處理

當人臉或是物體快速的在攝像頭前活動時，會導致系統異常拋出，異常提示如下：

技術分享

對於這個問題，我們可以先用C++捕獲異常的工具，try和catch工具來捕獲異常：

[cpp] view plain copy print?
  1. Mat frame;
  2. Mat face;
  3. VideoCapture cap(0);
  4. if (!cap.isOpened()) {
  5. AfxMessageBox(_T("Please check your USB camera‘s interface num."));
  6. }
  8. try
  9. {
  10. while (1)
  11. {
  12. check_close(cap);
  13. cap >> frame;
  14. if (!frame.empty())
  15. {
  16. if (capture_face(frame, face) == 0)
  17. {
  18. //convert to IplImage format and then save with .jpg format
  19. IplImage face_Img;
  20. face_Img = IplImage(face);
  21. //save the capture face to the project directory
  22. cvSaveImage("./cap.jpg", &face_Img);
  23. break;
  24. }
  25. imshow("view", frame);
  26. }
  28. int c = waitKey(10);
  29. if ((char)c == ‘c‘) { break; }
  30. }
  31. }
  32. catch (exception& e)
  33. {
  34. cout << "\nexception thrown!" << endl;
  35. cout << e.what() << endl;
  36. ifdef _CAPTURE_DEBUG
  37. MessageBox(CString(e.what()), NULL, MB_YESNO);
  38. endif
  39. goto CAPTURE;
  40. } 
	Mat frame;
	Mat face;
	VideoCapture cap(0);
	if (!cap.isOpened()) {
		AfxMessageBox(_T("Please check your USB camera‘s interface num."));
	}

	try
	{
		while (1)
		{
			check_close(cap);
			cap >> frame;
			if (!frame.empty())
			{
				if (capture_face(frame, face) == 0)
				{
					//convert to IplImage format and then save with .jpg format
					IplImage face_Img;
					face_Img = IplImage(face);
					//save the capture face to the project directory
					cvSaveImage("./cap.jpg", &face_Img);
					break;
				}
				imshow("view", frame);
			}
	
			int c = waitKey(10);
			if ((char)c == ‘c‘) { break; }
		}
	}
	catch (exception& e)
	{
		cout << "\nexception thrown!" << endl;
		cout << e.what() << endl;
#ifdef _CAPTURE_DEBUG
		MessageBox(CString(e.what()), NULL, MB_YESNO);
#endif
		goto CAPTURE;
	}

在catch中將捕獲到的異常信息打印出來：

技術分享

可以看到，可能是由於攝像頭捕獲響應速率跟不上的原因，在cap >>frame;的時候得到的frame出現了格式錯誤，如上圖的對話框所示error(-215) 0 < roi.x，也就是說opencv感興趣區域的x坐標出現了一個負數，而這顯然必須是要非負數的地方出現了一個負數的輸入，導致OpenCV異常拋出。

沒關系我們我們不理會這個異常的frame輸入就可以，在異常拋出的catch屏蔽掉對話框的顯示，我們即可流暢的采集圖像。不理會這個錯誤的幀輸入也就是說直接丟棄這一幀。

Dlib+OpenCV深度學習人臉識別

相關推薦

Dlib+OpenCV深度學習人臉識別

row 拷貝 too 這一 驗證 message word endif all 目錄(?)[+] DlibOpenCV深度學習人臉識別 前言 人臉數據庫導入 人臉檢測 人臉識別 異常處理 Dlib+OpenCV深度學習人臉識別 前言 人臉

如何走近深度學習人臉識別？你需要這篇超長綜述 | 附開原始碼

相信做機器學習或深度學習的同學們回家總會有這樣一個煩惱：親朋好友詢問你從事什麼工作的時候，如何通俗地解釋能避免尷尬？我嘗試過很多名詞來形容自己的工作：機器學習，深度學習，演算法工程師/研究員，搞計算機的，程式設計師…這些詞要麼自己覺得不滿意，要麼對方聽不懂。經歷無數次失敗溝通，最後總結了一個簡單實用的答案：“

tensorflow74 使用tensorflow dlib opencv做特定人臉識別

01 基本環境 # 該blog完整參考 http://tumumu.cn/2017/05/02/deep-learning-face/ # 原始碼地址:https://github.com/5455945/tensorflow_demo.git #

現有深度學習人臉識別綜述

現有人臉檢測三類方法：1、Cascade CNN：速度最快，精度相對較低；代表演算法：MI-CNN，ICS2、Faster R-CNN：速度較慢，精度較高；代表演算法：Face R-CNN，Face R

深度學習-人臉識別DFACE模型pytorch訓練（二）

首先介紹一下MTCNN的網路結構，MTCNN有三種網路，訓練網路的時候需要通過三部分分別進行，每一層網路都依賴前一層網路產生訓練資

OpenCV+深度學習預訓練模型，簡單搞定影象識別 | 教程

轉載：https://mp.weixin.qq.com/s/J6eo4MRQY7jLo7P-b3nvJg 李林 編譯自 pyimagesearch 作者 Adrian Rosebrock 量子位 報道 | 公眾號 QbitAI OpenCV是一個2000年釋出的

Dlib+opencv實時提取人臉輪廓（windows環境下//Dlib配置入門）

本文主要演示Dlib在windows環境下利用VS配置環境執行成功呼叫攝像頭的實時人臉特徵點提取以及輪廓的描繪。 ///////////////////////////////軟體資源//////////////////////////////// /

Opencv+python3學習----人臉檢測的簡單實現

    利用幀差法找出兩幀影象的不同，再填充孔洞，找到連通域，找到輪廓的邊界並畫出邊界框。演算法比較粗糙，對光照有一定要求，可自行設定二值圖閾值除錯。       環境：opencv3.1+python3 # -*- coding: gb2312 -*- import a

[深度學習]inception_v3識別任何圖片(程式碼)

運用已經在imagenet上訓練的inception_v3網路,識別各種圖片: 1. 在網上下載Inception_v3的訓練模型,解壓後會得到如下檔案(需要的可以私信我): 其中第一個第二個是imagenet中數字標號和英文label的檔案: 第三個是該

wav2letter++簡介：深度學習語音識別系統

語音識別系統是深度學習生態中發展最成熟的領域之一。當前這一代的語音識別模型基本都是基於遞迴神經網路（Recurrent Neural Network）對聲學和語言模型進行建模，以及用於知識構建的計算密集的特徵提取流水線。雖然基於RNN的技術已經在語音識別任務中得到驗證，但訓練RNN網路所需要

Android 中使用 dlib+opencv 實現動態人臉檢測

1 概述 完成 Android 相機預覽功能以後，在此基礎上我使用 dlib 與 opencv 庫做了一個關於人臉檢測的 demo。該 demo 在相機預覽過程中對人臉進行實時檢測，並將檢測到的人臉用矩形框描繪出來。具體實現原理如下： 採用雙層 View，底層的 TextureView 用於預覽，程式從 T

python 安裝dlib庫，用於人臉識別

本身python安裝第三方庫是一件很簡單的事，有了python，預設在cmd使用 pip install dlib 就可以自動安裝了，但是dlib卻不行。 看了下其他博主的文章，很多都說要安裝Cmake、boost庫，以及怎麼編譯一下，再手動拷貝一些檔案到python的什麼目錄下

【深度學習影象識別課程】keras實現CNN系列：（9）bottleneck特徵生成

一、bottleneck特徵說明 將所有影象穿過（VGG16去掉最後全連線層）得到輸出，作為新的輸入。 二、bottleneck特徵提取程式碼 1、載入預處理影象庫 from keras.applications.vgg16 import preprocess

《解析深度學習 語音識別實踐》高清中文版PDF下載

《解析深度學習 語音識別實踐》高清中文版PDF下載高清中文版PDF，全書321頁帶目錄 下載連結：https://pan.baidu.com/s/1Ly4sdpNpcU_AwnwEVdBKLA備用連結：https://u1593575.ctfile.com/fs/1593575-330744495 本書首

OpenCV + Python 實現人臉識別

Haar-like Haar特徵值反映了影象的灰度變化情況。例如：臉部的一些特徵能由矩形特徵簡單的描述，如：眼睛要比臉頰顏色要深，鼻樑兩側比鼻樑顏色要深，嘴巴比周圍顏色要深等。 opencv api 要想使用opencv，就必須先知道其能幹什麼，怎

【深度學習影象識別課程】tensorflow實現CNN系列：（1）概念介紹

1、tensorflow卷積層 tensorflow提供了2個函式建立卷積層：tf.nn.conv2d()和tf.nn.bias_add() k_output = 64 image_width = 10 image_height = 10 color_channels

使用OpenCV + Python 實現人臉識別

Haar-like 通俗的來講，就是作為人臉特徵即可。 Haar特徵值反映了影象的灰度變化情況。例如：臉部的一些特徵能由矩形特徵簡單的描述，如：眼睛要比臉頰顏色要深，鼻樑兩側比鼻樑顏色要深，嘴巴比周圍顏色要深等。 opencv api 要想使用opencv，就必須先知道其能幹什麼，怎麼做。於是API的重

【AI實戰】手把手教你深度學習文字識別（文字檢測篇：基於MSER, CTPN, SegLink, EAST等方法）

文字檢測是文字識別過程中的一個非常重要的環節，文字檢測的主要目標是將圖片中的文字區域位置檢測出來，以便於進行後面的文字識別，只

手把手教你如何用 OpenCV + Python 實現人臉識別

配好了OpenCV的Python環境，OpenCV的Python環境搭建。於是迫不及待的想體驗一下opencv的人臉識別，如下文。 必備知識 Haar-like Haar-like百科釋義。通俗的來講，就是作為人臉特徵即可。 Haar特徵值反映了影象的灰度變化情況。例如：臉部的一些特徵能由矩形特徵簡單的描述，

基於深度學習的人臉識別系統系列（Caffe+OpenCV+Dlib）——【三】使用Caffe的MemoryData層與VGG網路模型提取Mat的特徵

原文地址：http://m.blog.csdn.net/article/details?id=52456548 前言 基於深度學習的人臉識別系統，一共用到了5個開源庫：OpenCV（計算機視覺庫）、Caffe（深度學習庫）、Dlib（機器學習庫）、libfacede