2. 程式人生 > >tensorflow74 使用tensorflow dlib opencv做特定人臉識別

tensorflow74 使用tensorflow dlib opencv做特定人臉識別

阿新 • • 發佈：2019-01-08

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
# https://github.com/5455945/tensorflow_demo/tree/master/SpecificFaceRecognition
# win10 Tensorflow_gpu1.2.1 python3.5.3 dlib opencv
# CUDA v8.0 cudnn-8.0-windows10-x64-v5.1
# 本實驗需要有一個攝像頭，筆記本自帶的即可
# tensorflow_demo\SpecificFaceRecognition\get_my_faces.py 用dlib生成自己臉的jpg影象
 

# tensorflow_demo\SpecificFaceRecognition\get_my_faces_opencv.py 用opencv生成自己臉的jpg影象(效果沒有dlib好)
# tensorflow_demo\SpecificFaceRecognition\set_other_faces.py 預處理lfw的人臉資料
# tensorflow_demo\SpecificFaceRecognition\train_faces.py 人臉識別訓練
# tensorflow_demo\SpecificFaceRecognition\is_my_face.py 人臉識別測試
pip3 install
 
 tensorflow==1.2.1
pip3 install tensorflow_gpu==1.2.1
pip3 install numpy==1.13.1+mkl
pip3 install opencv-python==3.2.0
pip3 install dlib==19.4.0
# 一定要注意scikit-learn和scipy的版本
pip3 install scikit-learn==0.18.2
pip3 install scipy==0.19.1

02 獲取本人圖片集

使用get_my_faces.py獲取本人的10000張頭像照片，儲存到./my_faces目錄。只需啟動get_my_faces.py

，坐在電腦前，擺出不同臉部表情和姿勢即可。大約1小時左右可採集10000張。
get_my_faces_opencv.py是採用opencv庫採集的，速度比dlib的get_my_faces.py快些。dlib效果會好些。

get_my_faces.py

# -*- codeing: utf-8 -*-
import cv2
import dlib
import os
import sys
import random

# 使用攝像頭採集某人的人臉資料，儲存到./my_faces目錄

output_dir = './my_faces'
size = 64

if not os.path.exists(output_dir):
    os.makedirs(output_dir)

# 改變圖片的亮度與對比度
def relight(img, light=1, bias=0):
    w = img.shape[1]
    h = img.shape[0]
    #image = []
    for i in range(0,w):
        for j in range(0,h):
            for c in range(3):
                tmp = int(img[j,i,c]*light + bias)
                if tmp > 255:
                    tmp = 255
                elif tmp < 0:
                    tmp = 0
                img[j, i, c] = tmp
    return img

# 使用dlib自帶的frontal_face_detector作為我們的特徵提取器
detector = dlib.get_frontal_face_detector()
# 開啟攝像頭 引數為輸入流，可以為攝像頭或視訊檔案
camera = cv2.VideoCapture(0)

index = 1
while True:
    if (index <= 10000):
        print('Being processed picture %s' % index)
        # 從攝像頭讀取照片
        success, img = camera.read()
        # 轉為灰度圖片
        gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
        # 使用detector進行人臉檢測
        dets = detector(gray_img, 1)

        for i, d in enumerate(dets):
            x1 = d.top() if d.top() > 0 else 0
            y1 = d.bottom() if d.bottom() > 0 else 0
            x2 = d.left() if d.left() > 0 else 0
            y2 = d.right() if d.right() > 0 else 0

            face = img[x1:y1, x2:y2]
            # 調整圖片的對比度與亮度， 對比度與亮度值都取隨機數，這樣能增加樣本的多樣性
            face = relight(face, random.uniform(0.5, 1.5), random.randint(-50, 50))
            face = cv2.resize(face, (size,size))
            cv2.imshow('image', face)
            cv2.imwrite(output_dir+'/'+str(index)+'.jpg', face)
            index += 1

        key = cv2.waitKey(30) & 0xff
        if key == 27:
            break
    else:
        print('Finished!')
        break

03 獲取其他人臉圖片集

下載http://vis-www.cs.umass.edu/lfw/lfw.tgz人臉資料集。
windows下，可以使用winrar解壓，注意要先選[檢視檔案]，然後再解壓，才能解壓出所有子目錄及檔案。
加壓後的檔案放到./input_img目錄下。
然後，使用set_other_people.py處理./input_img目錄下的解壓檔案，把大約13000+張頭像預處理到./other_faces目錄。
set_other_people.py

# -*- codeing: utf-8 -*-
import sys
import os
import cv2
import dlib

# 下載 lfw.tgz 並解壓所有檔案到./input_img
# wget http://vis-www.cs.umass.edu/lfw/lfw.tgz

input_dir = './input_img'
output_dir = './other_faces'
size = 64

if not os.path.exists(output_dir):
    os.makedirs(output_dir)

# 使用dlib自帶的frontal_face_detector作為我們的特徵提取器
detector = dlib.get_frontal_face_detector()

index = 1
for (path, dirnames, filenames) in os.walk(input_dir):
    for filename in filenames:
        if filename.endswith('.jpg'):
            print('Being processed picture %s' % index)
            img_path = path + '/' + filename
            # 從檔案讀取圖片
            img = cv2.imread(img_path)
            # 轉為灰度圖片
            gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
            # 使用detector進行人臉檢測 dets為返回的結果
            dets = detector(gray_img, 1)

            # 使用enumerate 函式遍歷序列中的元素以及它們的下標
            # 下標i即為人臉序號
            # left：人臉左邊距離圖片左邊界的距離 ；right：人臉右邊距離圖片左邊界的距離
            # top：人臉上邊距離圖片上邊界的距離 ；bottom：人臉下邊距離圖片上邊界的距離
            for i, d in enumerate(dets):
                x1 = d.top() if d.top() > 0 else 0
                y1 = d.bottom() if d.bottom() > 0 else 0
                x2 = d.left() if d.left() > 0 else 0
                y2 = d.right() if d.right() > 0 else 0
                # img[y:y+h, x:x+w]
                face = img[x1:y1, x2:y2]
                # 調整圖片的尺寸
                face = cv2.resize(face, (size, size))
                cv2.imshow('image', face)
                # 儲存圖片
                cv2.imwrite(output_dir + '/' + str(index) + '.jpg', face)
                index += 1

            key = cv2.waitKey(30) & 0xff
            if key == 27:
                sys.exit(0)

04 訓練模型

使用train_faces.py來訓練模型，模型保持到./model目錄下
train_faces.py

# -*- codeing: utf-8 -*-
import tensorflow as tf
import cv2
import numpy as np
import os
import random
import sys
from sklearn.model_selection import train_test_split

# 使用./my_faces和./other_faces中的人臉資料訓練，保持模型到./model中

my_faces_path = './my_faces'
other_faces_path = './other_faces'
model_path = './model'

if not os.path.exists(model_path):
    os.makedirs(model_path)

size = 64
imgs = []
labs = []

def getPaddingSize(img):
    h, w, _ = img.shape
    top, bottom, left, right = (0, 0, 0, 0)
    longest = max(h, w)

    if w < longest:
        tmp = longest - w
        # //表示整除符號
        left = tmp // 2
        right = tmp - left
    elif h < longest:
        tmp = longest - h
        top = tmp // 2
        bottom = tmp - top
    else:
        pass
    return top, bottom, left, right

def readData(path , h = size, w = size):
    for filename in os.listdir(path):
        if filename.endswith('.jpg'):
            filename = path + '/' + filename
            img = cv2.imread(filename)
            top, bottom, left, right = getPaddingSize(img)
            # 將圖片放大， 擴充圖片邊緣部分
            img = cv2.copyMakeBorder(img, top, bottom, left, right, cv2.BORDER_CONSTANT, value = [0, 0, 0])
            img = cv2.resize(img, (h, w))
            imgs.append(img)
            labs.append(path)

readData(my_faces_path)
readData(other_faces_path)
# 將圖片資料與標籤轉換成陣列
imgs = np.array(imgs)
labs = np.array([[0, 1] if lab == my_faces_path else [1, 0] for lab in labs])
# 隨機劃分測試集與訓練集
train_x, test_x, train_y, test_y = train_test_split(imgs, labs, test_size = 0.05, random_state = random.randint(0, 100))

# 引數：圖片資料的總數，圖片的高、寬、通道
train_x = train_x.reshape(train_x.shape[0], size, size, 3)
test_x = test_x.reshape(test_x.shape[0], size, size, 3)
# 將資料轉換成小於1的數
train_x = train_x.astype('float32') / 255.0
test_x = test_x.astype('float32') / 255.0

print('train size: %s, test size: %s' % (len(train_x), len(test_x)))
# 圖片塊，每次取100張圖片
batch_size = 100
num_batch = len(train_x) // batch_size

x = tf.placeholder(tf.float32, [None, size, size, 3])
y_ = tf.placeholder(tf.float32, [None, 2])

keep_prob_5 = tf.placeholder(tf.float32)
keep_prob_75 = tf.placeholder(tf.float32)

def weightVariable(shape):
    init = tf.random_normal(shape, stddev = 0.01)
    return tf.Variable(init)

def biasVariable(shape):
    init = tf.random_normal(shape)
    return tf.Variable(init)

def conv2d(x, W):
    return tf.nn.conv2d(x, W, strides = [1, 1, 1, 1], padding = 'SAME')

def maxPool(x):
    return tf.nn.max_pool(x, ksize = [1, 2, 2, 1], strides = [1, 2, 2, 1], padding = 'SAME')

def dropout(x, keep):
    return tf.nn.dropout(x, keep)

def cnnLayer():
    # 第一層
    W1 = weightVariable([3, 3, 3, 32]) # 卷積核大小(3,3)， 輸入通道(3)， 輸出通道(32)
    b1 = biasVariable([32])
    # 卷積
    conv1 = tf.nn.relu(conv2d(x, W1) + b1)
    # 池化
    pool1 = maxPool(conv1)
    # 減少過擬合，隨機讓某些權重不更新
    drop1 = dropout(pool1, keep_prob_5)

    # 第二層
    W2 = weightVariable([3, 3, 32, 64])
    b2 = biasVariable([64])
    conv2 = tf.nn.relu(conv2d(drop1, W2) + b2)
    pool2 = maxPool(conv2)
    drop2 = dropout(pool2, keep_prob_5)

    # 第三層
    W3 = weightVariable([3, 3, 64, 64])
    b3 = biasVariable([64])
    conv3 = tf.nn.relu(conv2d(drop2, W3) + b3)
    pool3 = maxPool(conv3)
    drop3 = dropout(pool3, keep_prob_5)

    # 全連線層
    Wf = weightVariable([8 * 8 * 64, 512])
    bf = biasVariable([512])
    drop3_flat = tf.reshape(drop3, [-1, 8 * 8 * 64])
    dense = tf.nn.relu(tf.matmul(drop3_flat, Wf) + bf)
    dropf = dropout(dense, keep_prob_75)

    # 輸出層
    Wout = weightVariable([512, 2])
    bout = weightVariable([2])
    #out = tf.matmul(dropf, Wout) + bout
    out = tf.add(tf.matmul(dropf, Wout), bout)
    return out

def cnnTrain():
    out = cnnLayer()
    cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits = out, labels = y_))
    train_step = tf.train.AdamOptimizer(0.01).minimize(cross_entropy)
    # 比較標籤是否相等，再求的所有數的平均值，tf.cast(強制轉換型別)
    accuracy = tf.reduce_mean(tf.cast(tf.equal(tf.argmax(out, 1), tf.argmax(y_, 1)), tf.float32))
    # 將loss與accuracy儲存以供tensorboard使用
    tf.summary.scalar('loss', cross_entropy)
    tf.summary.scalar('accuracy', accuracy)
    merged_summary_op = tf.summary.merge_all()
    # 資料儲存器的初始化
    saver = tf.train.Saver()

    with tf.Session() as sess:
        sess.run(tf.global_variables_initializer())
        summary_writer = tf.summary.FileWriter('./tmp', graph = tf.get_default_graph())
        for n in range(10):
             # 每次取128(batch_size)張圖片
            for i in range(num_batch):
                batch_x = train_x[i*batch_size : (i + 1) * batch_size]
                batch_y = train_y[i*batch_size : (i + 1) * batch_size]
                # 開始訓練資料，同時訓練三個變數，返回三個資料
                _, loss, summary = sess.run([train_step, cross_entropy, merged_summary_op],
                                           feed_dict = {x:batch_x,y_:batch_y, keep_prob_5:0.5, keep_prob_75:0.75})
                summary_writer.add_summary(summary, n * num_batch + i)
                # 列印損失
                # print("loss ", n*num_batch + i, loss)

                if (n * num_batch + i) % 100 == 0:
                    # 獲取測試資料的準確率
                    acc = accuracy.eval({x:test_x, y_:test_y, keep_prob_5:1.0, keep_prob_75:1.0})
                    print(n * num_batch + i, "acc:", acc, "  loss:", loss)
                    # 準確率大於0.98時儲存並退出
                    if acc > 0.98 and n > 2:
                        saver.save(sess, model_path + '/train_faces.model', global_step = n * num_batch + i)
                        sys.exit(0)
        print('accuracy less 0.98, exited!')

cnnTrain()
'''
train size: 22782, test size: 1200
0 acc: 0.560833   loss: 0.760013
100 acc: 0.923333   loss: 0.280099
200 acc: 0.945833   loss: 0.255821
300 acc: 0.953333   loss: 0.246161
400 acc: 0.958333   loss: 0.113214
500 acc: 0.9625   loss: 0.183178
600 acc: 0.964167   loss: 0.119886
700 acc: 0.971667   loss: 0.134483
800 acc: 0.943333   loss: 0.142579
900 acc: 0.953333   loss: 0.143854
1000 acc: 0.958333   loss: 0.167131
1100 acc: 0.965   loss: 0.10453
1200 acc: 0.975833   loss: 0.132573
1300 acc: 0.976667   loss: 0.191987
1400 acc: 0.9825   loss: 0.0590191
'''

05 使用模型進行識別

使用is_my_face.py來驗證模型，檢測到是自己的臉時，返回true。
is_my_face.py

# -*- codeing: utf-8 -*-
import tensorflow as tf
import cv2
import dlib
import numpy as np
import os
import random
import sys
from sklearn.model_selection import train_test_split

# 使用攝像頭採集人臉，使用./model中的模型檢測是否為特定的人臉

my_faces_path = './my_faces'
other_faces_path = './other_faces'
model_path = './model'
size = 64

imgs = []
labs = []

def getPaddingSize(img):
    h, w, _ = img.shape
    top, bottom, left, right = (0, 0, 0, 0)
    longest = max(h, w)

    if w < longest:
        tmp = longest - w
        # //表示整除符號
        left = tmp // 2
        right = tmp - left
    elif h < longest:
        tmp = longest - h
        top = tmp // 2
        bottom = tmp - top
    else:
        pass
    return top, bottom, left, right

def readData(path , h = size, w = size):
    for filename in os.listdir(path):
        if filename.endswith('.jpg'):
            filename = path + '/' + filename
            img = cv2.imread(filename)
            top,bottom,left,right = getPaddingSize(img)
            # 將圖片放大， 擴充圖片邊緣部分
            img = cv2.copyMakeBorder(img, top, bottom, left, right, cv2.BORDER_CONSTANT, value = [0, 0, 0])
            img = cv2.resize(img, (h, w))
            imgs.append(img)
            labs.append(path)

readData(my_faces_path)
readData(other_faces_path)
# 將圖片資料與標籤轉換成陣列
imgs = np.array(imgs)
labs = np.array([[0, 1] if lab == my_faces_path else [1, 0] for lab in labs])
# 隨機劃分測試集與訓練集
train_x, test_x, train_y, test_y = train_test_split(imgs, labs, test_size = 0.05, random_state = random.randint(0, 100))
# 引數：圖片資料的總數，圖片的高、寬、通道
train_x = train_x.reshape(train_x.shape[0], size, size, 3)
test_x = test_x.reshape(test_x.shape[0], size, size, 3)
# 將資料轉換成小於1的數
train_x = train_x.astype('float32') / 255.0
test_x = test_x.astype('float32') / 255.0

print('train size:%s, test size:%s' % (len(train_x), len(test_x)))
# 圖片塊，每次取128張圖片
batch_size = 128
num_batch = len(train_x) // 128

x = tf.placeholder(tf.float32, [None, size, size, 3])
y_ = tf.placeholder(tf.float32, [None, 2])

keep_prob_5 = tf.placeholder(tf.float32)
keep_prob_75 = tf.placeholder(tf.float32)

def weightVariable(shape):
    init = tf.random_normal(shape, stddev = 0.01)
    return tf.Variable(init)

def biasVariable(shape):
    init = tf.random_normal(shape)
    return tf.Variable(init)

def conv2d(x, W):
    return tf.nn.conv2d(x, W, strides = [1, 1, 1, 1], padding = 'SAME')

def maxPool(x):
    return tf.nn.max_pool(x, ksize = [1, 2, 2, 1], strides = [1, 2, 2, 1], padding = 'SAME')

def dropout(x, keep):
    return tf.nn.dropout(x, keep)

def cnnLayer():
    # 第一層
    W1 = weightVariable([3, 3, 3, 32]) # 卷積核大小(3,3)， 輸入通道(3)， 輸出通道(32)
    b1 = biasVariable([32])
    # 卷積
    conv1 = tf.nn.relu(conv2d(x, W1) + b1)
    # 池化
    pool1 = maxPool(conv1)
    # 減少過擬合，隨機讓某些權重不更新
    drop1 = dropout(pool1, keep_prob_5)

    # 第二層
    W2 = weightVariable([3, 3, 32, 64])
    b2 = biasVariable([64])
    conv2 = tf.nn.relu(conv2d(drop1, W2) + b2)
    pool2 = maxPool(conv2)
    drop2 = dropout(pool2, keep_prob_5)

    # 第三層
    W3 = weightVariable([3, 3, 64, 64])
    b3 = biasVariable([64])
    conv3 = tf.nn.relu(conv2d(drop2, W3) + b3)
    pool3 = maxPool(conv3)
    drop3 = dropout(pool3, keep_prob_5)

    # 全連線層
    Wf = weightVariable([8*16*32, 512])
    bf = biasVariable([512])
    drop3_flat = tf.reshape(drop3, [-1, 8*16*32])
    dense = tf.nn.relu(tf.matmul(drop3_flat, Wf) + bf)
    dropf = dropout(dense, keep_prob_75)

    # 輸出層
    Wout = weightVariable([512, 2])
    bout = weightVariable([2])
    out = tf.add(tf.matmul(dropf, Wout), bout)
    return out

output = cnnLayer()
predict = tf.argmax(output, 1)
saver = tf.train.Saver()
sess = tf.Session()
saver.restore(sess, tf.train.latest_checkpoint(model_path))

def is_my_face(image):
    res = sess.run(predict, feed_dict={x: [image/255.0], keep_prob_5:1.0, keep_prob_75: 1.0})
    if res[0] == 1:
        return True
    else:
        return False

# 使用dlib自帶的frontal_face_detector作為我們的特徵提取器
detector = dlib.get_frontal_face_detector()

cam = cv2.VideoCapture(0)

while True:
    _, img = cam.read()
    gray_image = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    dets = detector(gray_image, 1)
    if not len(dets):
        # print('Can`t get face.')
        cv2.imshow('img', img)
        key = cv2.waitKey(30) & 0xff
        if key == 27:
            sys.exit(0)

    for i, d in enumerate(dets):
        x1 = d.top() if d.top() > 0 else 0
        y1 = d.bottom() if d.bottom() > 0 else 0
        x2 = d.left() if d.left() > 0 else 0
        y2 = d.right() if d.right() > 0 else 0
        face = img[x1:y1, x2:y2]
        # 調整圖片的尺寸
        face = cv2.resize(face, (size, size))
        print('Is this my face? %s' % is_my_face(face))

        cv2.rectangle(img, (x2, x1), (y2, y1), (255, 0, 0), 3)
        cv2.imshow('image', img)
        key = cv2.waitKey(30) & 0xff
        if key == 27:
            sys.exit(0)

sess.close()
'''
train size:22782, test size:1200
Is this my face? True
Is this my face? True
Is this my face? True
...
'''

06 關於opencv獲取特定人臉資料

這個使用opencv的程式碼還需要完善，需要多個分類器組合使用，這裡僅僅給出了一個分類器haarcascade_frontalface_default.xml，效果不是很好。opencv自帶的分類器在opencv原始碼的data目錄下面。

get_my_faces_opencv.py

import cv2
import os
import sys
import random

# 這個使用opencv的程式碼還需要完善
# 需要更多的分類器，並且判斷準確的人臉後才儲存
# 這裡貼出來僅供參考

out_dir = './my_faces1'
if not os.path.exists(out_dir):
    os.makedirs(out_dir)

# 改變亮度與對比度
def relight(img, alpha=1, bias=0):
    w = img.shape[1]
    h = img.shape[0]
    #image = []
    for i in range(0,w):
        for j in range(0,h):
            for c in range(3):
                tmp = int(img[j,i,c]*alpha + bias)
                if tmp > 255:
                    tmp = 255
                elif tmp < 0:
                    tmp = 0
                img[j,i,c] = tmp
    return img


# 獲取分類器
haar = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

# 開啟攝像頭 引數為輸入流，可以為攝像頭或視訊檔案
camera = cv2.VideoCapture(0)

n = 1
while 1:
    if (n <= 10000):
        print('It`s processing %s image.' % n)
        # 讀幀
        success, img = camera.read()

        gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
        faces = haar.detectMultiScale(gray_img, 1.3, 5)
        for f_x, f_y, f_w, f_h in faces:
            face = img[f_y:f_y+f_h, f_x:f_x+f_w]
            face = cv2.resize(face, (64,64))
            '''
            if n % 3 == 1:
                face = relight(face, 1, 50)
            elif n % 3 == 2:
                face = relight(face, 0.5, 0)
            '''
            face = relight(face, random.uniform(0.5, 1.5), random.randint(-50, 50))
            cv2.imshow('img', face)
            cv2.imwrite(out_dir+'/'+str(n)+'.jpg', face)
            n+=1
        key = cv2.waitKey(30) & 0xff
        if key == 27:
            break
    else:
        break

相關推薦

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 #

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

TensorFlow框架做實時人臉識別小專案（二）

在第一部分中，分析了整個小專案的體系，重點討論了用於人臉檢測對齊的mtcnn網路的實現原理，並利用膝上型電腦自帶的攝像頭進行了測試。今天在這裡要討論的重點是人臉識別中的核心部分——facenet網路。facenet是Google開源的人臉識別框架，它的作用是把輸入的人臉影象對

TensorFlow框架做實時人臉識別小專案（一）

人臉識別是深度學習最有價值也是最成熟的的應用之一。在研究環境下，人臉識別已經趕上甚至超過了人工識別的精度。一般來說，一個完整的人臉識別專案會包括兩大部分：人臉檢測與人臉識別。下面就我近期自己練習寫的一個“粗糙”的人臉識別小專案講起，也算是做一個學習記錄。首先 ，整個專案的框架

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//////////////////////////////// /

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

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

TensorFlow的學習之路--人臉識別

     本次學習所採用的是olivettifaces資料影象，該影象有40個人，每個人10張影象，每張影象的大小為57*47，採用的還是CNN卷積，由於是初學者，很多函式重新認識，下面把次演算法的主要函式歸納一下：    1.讀取影象：Image.open(path)   

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

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，

基於神經網路的人臉識別(Tensorflow,opencv,dlib,cnn,)

訓練一個神經網路 這段時間正在學習tensorflow的卷積神經網路部分，為了對卷積神經網路能夠有一個更深的瞭解，自己動手實現一個例程是比較好的方式，所以就選了一個這樣比較有點意思的專案。專案的github地址:github 喜歡的話就給個Star吧。想要她認得我，就需要給她一些我的照片，讓她記住我的人臉特徵

用opencv做的靜態圖片人臉識別

兩張 msh pda 跟蹤 截取 一位 深度 https poi 　　這次給大家分享一個圖像識別方面的小項目，主要功能是識別圖像中的人臉並根據人臉在圖片庫找出同一個與它最相似的圖片，也就是辨別不同的人。 　　環境：VS2013+opencv2.4.13 　　主要是算法：op

opencv聯合dlib視訊人臉識別例子

本篇文章是在上一篇文章opencv聯合dlib人臉識別例子 的基礎上做了一個實時視訊人臉識別功能。 原理是利用opencv實時提取視訊中的視訊流，然後進入人臉檢測步驟，步驟類似上篇文章。 本篇文章中的程式是在VMware虛擬機器下執行的，比較卡，加入人臉識別

樹莓派用Python+OpenCV做人臉識別

硬體：樹莓派 B+ 先安裝python-opencv：  sudo apt-get install python-opencv Python 2.7   OpenCV3.0 然後在樹莓派usb埠插入一個通用的usb攝像頭，看系統是否自動識別並

OpenCV學習筆記（五十五）——用OpenCV做人臉識別和性別識別contrib

人臉識別的故事說也說不完，調研的事還是交給大家吧。這裡說的是用OpenCV做人臉識別。 因為是真正的人臉識別，不是搞笑娛樂的東西，所以資料庫一定要強大的，推薦個網站http://www.face-rec.org/databases/。這裡有最全的人臉庫的概述，希望大家能找到

利用python、tensorflow、opencv實現人臉識別（包會）！

一，前言 本人是機械專業在讀碩士，在完成暑假實踐的時候接觸到了人臉識別，對這一實現很感興趣，所以花了大概十天時間做出了自己的人臉識別。這篇文章應該是很詳細的了所以幫你實現人臉識別應該沒什麼問題。 先說本博文的最終要達到的效果：通過一系列操作，在攝像頭的視訊流中識別特定

Ubuntu中人臉識別相關庫的安裝（opencv-python，dlib,face_recognition）

opencv_python的安裝 #opencv-python的安裝 pip install opencv-python dlib的安裝 每一步都要如果網速慢可能要耐心等一段時間 sudo apt-get install build-essential cmake sud

Python使用opencv做人臉識別

1、安裝opencv-python pip install opencv-python 2、下載haarcascades https://github.com/opencv/opencv/tree/master/data/haarcascades 目錄下的特徵分類器的xml檔案。

python+opencv 做人臉識別

一.準備工作  對於Linux作業系統   1.安裝Python   2.安裝依賴庫，命令如下：     yum install cmake gcc gcc-c++ gtk2-devel gimp-develgimp-devel-tools gimp-help-browser