人脸检测5种方法

众所周知，人脸识别是计算机视觉应用的一个重大领域，在学习人脸识别之前，我们先来简单学习下人脸检测的几种用法。

常见的人脸检测方法大致有5种，Haar、Hog、CNN、SSD、MTCNN：

注：本文章图片来SEO靠我源于网络

相关构造检测器的文件：opencv/data at master · opencv/opencv · GitHub

基本步骤

读入图片构造检测器获取检测结果解析检测结果

一、Haar

# 调整参数 SEO靠我 img = cv2.imread(./images/001.jpg) cv_show(img,img) # 构造harr检测器 faceSEO靠我_detector = cv2.CascadeClassifier(./weights/haarcascade_frontalface_default.xml) # 转为灰度图 SEO靠我 img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) plt.imshow(img_gray,gray) # 检SEO靠我测结果 上图4个人脸所以4个方框坐标 # image # scaleFactor控制人脸尺寸 默认1.1 detections = face_detecSEO靠我tor.detectMultiScale(img_gray,scaleFactor=1.3) # 解析 for x,y,w,h in detections: SEO靠我 cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0)) plt.imshow(cv2.cvtColor(img,cv2.COLOR_BGR2RSEO靠我GB)) # 调整参数 img = cv2.imread(./images/004.jpeg) cv_show(img,img) #SEO靠我 构造harr检测器 face_detector = cv2.CascadeClassifier(./weights/haarcascade_frontalface_default.xSEO靠我ml) # 转为灰度图 img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) plt.imshow(img_SEO靠我gray,gray) # 检测结果 上图4个人脸所以4个方框坐标 # image # scaleFactor控制人脸尺寸 默认1.1 SEO靠我# minNeighbors 确定一个人脸框至少要有n个候选值 越高 质量越好 # [, flags[, # minSize maxSize 人脸框的最大最小尺寸 如mSEO靠我inSize=(40,40) detections = face_detector.detectMultiScale(img_gray,scaleFactor=1.2, minNeigSEO靠我hbors=10)# 在质量和数量上平衡 # 解析 for x,y,w,h in detections: cv2.rectangle(img,(x,ySEO靠我),(x+w,y+h),(0,255,0)) plt.imshow(cv2.cvtColor(img,cv2.COLOR_BGR2RGB))

上述过程中：

scaleFactor参数：用来SEO靠我控制人脸框的大小，可以用它来排除一些错误检测； minNeighbors参数：我们给人脸框起来的时候，一般一张脸会框许多的框，假如这张脸框得越多，说明质量越好，越是一张正确的“脸”。

二、Hog

对于第一SEO靠我次使用这个功能的同学，要提前下载一下dlib。

import dlib # 构造HOG人脸检测器 不需要参数 hog_face_detetor = dlib.get_fSEO靠我rontal_face_detector() # 检测人脸获取数据 # img # scale类似haar的scalFactor deSEO靠我tections = hog_face_detetor(img,1) # 解析获取的数据 for face in detections: # 左上角 SEO靠我 x = face.left() y = face.top() # 右下角 r = face.right() b = faSEO靠我ce.bottom() cv2.rectangle(img,(x,y),(r,b),(0,255,0)) plt.imshow(cv2.cvtColor(img,cv2SEO靠我.COLOR_BGR2RGB))

三、CNN

import dlib # 构造CNN人脸检测器 cnn_face_detector = dlib.cnn_face_detSEO靠我ection_model_v1("./weights/mmod_human_face_detector.dat") # 检测人脸 参数与上一种相似 detectionSEO靠我s = cnn_face_detector(img,1) for face in detections: # 左上角 x = face.rect.leSEO靠我ft() y = face.rect.top() # 右下角 r = face.rect.right() b = face.rect.bSEO靠我ottom() # 置信度 c = face.confidence print(c) cv2.rectangle(img,(x,y),SEO靠我(r,b),(0,255,0)) plt.imshow(cv2.cvtColor(img,cv2.COLOR_BGR2RGB))

通过神经网络完成，这个过程中我们还可以查看每张脸检测时SEO靠我的置信度。

四、SSD

# 加载模型 face_detector = cv2.dnn.readNetFromCaffe(./weights/deploy.prototxt.txt,./weSEO靠我ights/res10_300x300_ssd_iter_140000.caffemodel) # 原图尺寸 img_height = img.shape[0] SEO靠我 img_width = img.shape[1] # 放缩至输入尺寸 img_resized = cv2.resize(img,(500,300)) SEO靠我 # 转为2进制 img_blob = cv2.dnn.blobFromImage(img_resized,1.0,(500,300),(104.0,177.0,123.0SEO靠我)) # 输入 face_detector.setInput(img_blob) # 推理 detections = face_deSEO靠我tector.forward()

此时

detections.shape # (1, 1, 200, 7)

说明有200个结果，后面的7则是我们做需要的一些数据，继续如下：

# 查看人脸数量 SEO靠我num_of_detections = detections.shape[2] img_copy = img.copy() for index in range(SEO靠我num_of_detections): # 置信度 detections_confidence = detections[0,0,index,2] # SEO靠我通过置信度筛选 if detections_confidence > 0.15: # 位置 乘以宽高恢复大小 locations = detectionSEO靠我s[0,0,index,3:7] * np.array([img_width,img_height,img_width,img_height]) # 打印 print(SEO靠我detections_confidence) lx,ly,rx,ry = locations.astype(int) # 绘制 cv2.rectangSEO靠我le(img_copy,(lx,ly),(rx,ry),(0,255,0),2) plt.imshow(cv2.cvtColor(img_copy,cv2.COLOR_BGR2RGBSEO靠我))

五、MTCNN

# 导入MTCNN from mtcnn.mtcnn import MTCNN # 记载模型 face_detetor = MTCNSEO靠我N() # 检测人脸 detections = face_detetor.detect_faces(img_cvt) for face in deteSEO靠我ctions: x,y,w,h = face[box] cv2.rectangle(img_cvt,(x,y),(x+w,y+h),(0,255,0),2) SEO靠我 plt.imshow(img_cvt)

对比

优势劣势Haar速度最快、清凉、适合算力较小的设备准确度低、偶尔误报、无旋转不变性HOG+Dlib比Haar准确率高速度比Haar低，计算量大、无旋转不SEO靠我变性、Dlib兼容性问题SSD比Haar和hog准确率高、深度学习、大小一般低光照片准确率低，受肤色影响。CNN最准确、误报率低、轻量相对于其他方法慢、计算量大、Dlib兼容性问题