基于MTCNN卷积神经网络的人脸识别

该文作者开源了测试代码，源代码可以在我之前的文章中或者Github中去下载，我对源代码的数据输入部分做了一些改动以更方便的实现人脸检测，即将 facedetect_mtcnn.py主函数文件更改为如下代码：

# coding=utf-8
from __future__ import absolute_import
from __future__ import division
from __future__ import print_functionimport sys
import os
import argparse
import tensorflow as tf
import numpy as np
import detect_face
import cv2
import time
import shutildef reseach_image_name(root_dir):if (os.path.exists(root_dir)):fileNames = os.listdir(root_dir)fileNames = sorted(fileNames)return fileNamesdef main(input_file_list):sess = tf.Session()pnet, rnet, onet = detect_face.create_mtcnn(sess, None)minsize = 40                        # minimum size of facethreshold = [0.6, 0.7, 0.9]        # three steps's thresholdfactor = 0.709                      # scale factoroutput_root_dir = "./output_face_result"if (not os.path.exists(output_root_dir)):os.mkdir(output_root_dir )# 假如path_01 = 'Test\\path_01\\path_02\\path_03'，os.mkdir(path_01)创建路径中的最后一级目录，# 即：只创建path_03目录，而如果之前的目录不存在并且也需要创建的话，就会报错。# os.makedirs(path_01)创建多层目录，即：Test,path_01,path_02,path_03如果都不存在的话，会自动创建。else:shutil.rmtree(output_root_dir )     # 先删除原来的目录os.mkdir(output_root_dir)           # 再创建一个新目录for index in range(len(input_file_list)):print("***********开始检测第%d张图像***********"%index)filename = input_file_list[index]input_image_dir = os.path.join(  input_root_dir, filename)output_image_dir =os.path.join( output_root_dir,filename.split(".")[0]+"_result.jpg")draw = cv2.imread(input_image_dir)# cv2.imshow("source image",draw )# cv2.waitKey(0)# cv2.destroyAllWindows()img = cv2.cvtColor(draw, cv2.COLOR_BGR2RGB)bounding_boxes, points = detect_face.detect_face(img, minsize, pnet, rnet, onet, threshold, factor)nrof_faces = bounding_boxes.shape[0]for b in bounding_boxes:cv2.rectangle(draw, (int(b[0]), int(b[1])), (int(b[2]), int(b[3])), (0, 255, 0))print("人脸坐标：{0}".format(b))for p in points.T:for i in range(5):cv2.circle(draw, (p[i], p[i + 5]), 1, (0, 0, 255), 2)print('总共%d个人脸被检测到，保存到%s' % (nrof_faces, output_image_dir))cv2.imshow("detected image", draw)cv2.waitKey(0)cv2.destroyAllWindows()cv2.imwrite(output_image_dir, draw)def detect_video_face(video_file):sess = tf.Session()pnet, rnet, onet = detect_face.create_mtcnn(sess, None)minsize = 40  # minimum size of facethreshold = [0.6, 0.7, 0.9]  # three steps's thresholdfactor = 0.709  # scale factorcamera = cv2.VideoCapture(video_file)while True:(grabbed, frame) = camera.read()if  grabbed == True:img = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)# cv2.imshow("frame",frame)bounding_boxes, points = detect_face.detect_face(img, minsize, pnet, rnet, onet, threshold, factor)nrof_faces = bounding_boxes.shape[0]for b in bounding_boxes:cv2.rectangle(frame, (int(b[0]), int(b[1])), (int(b[2]), int(b[3])), (0, 255, 0))print("人脸坐标：{0}".format(b))for p in points.T:for i in range(5):cv2.circle(frame, (p[i], p[i + 5]), 1, (0, 0, 255), 2)print('总共%d个人脸被检测到' %nrof_faces)cv2.imshow("detected image", frame)if cv2.waitKey(1) & 0xFF == ord('q'):# 通过cap.read() 的返回值ret，若ret值为False，则停止捕获视频。breakcap.release()cv2.destroyAllWindows()def detect_single_pic(image_file):sess = tf.Session()pnet, rnet, onet = detect_face.create_mtcnn(sess, None)minsize = 40  # minimum size of facethreshold = [0.6, 0.7, 0.9]  # three steps's thresholdfactor = 0.709  # scale factorprint("***********开始检测图像***********" )filename = image_filedraw = cv2.imread(filename)cv2.imshow("source image", draw)cv2.waitKey(0)cv2.destroyAllWindows()img = cv2.cvtColor(draw, cv2.COLOR_BGR2RGB)bounding_boxes, points = detect_face.detect_face(img, minsize, pnet, rnet, onet, threshold, factor)nrof_faces = bounding_boxes.shape[0]for b in bounding_boxes:cv2.rectangle(draw, (int(b[0]), int(b[1])), (int(b[2]), int(b[3])), (0, 255, 0))print("人脸坐标：{0}".format(b))for p in points.T:for i in range(5):cv2.circle(draw, (p[i], p[i + 5]), 1, (0, 0, 255), 2)print('总共%d个人脸被检测到'% nrof_faces)cv2.imshow("detected image", draw)cv2.waitKey(0)cv2.destroyAllWindows()if __name__ == '__main__':input_root_dir = "./input_face_image"input_file_list = reseach_image_name( input_root_dir)main(input_file_list)

新建了两个文件夹，一个文件夹放待检测的图片，另一个文件夹放检测后的结果图片，如下所示：

这是 input_face_image文件夹下的待测试图片：

运行程序，可以看到检测效果：

......

当然，检测结果图片都被保存到了 output_face_image文件夹下。

基于MTCNN卷积神经网络的人脸识别相关推荐

基于深度卷积神经网络进行人脸识别的原理是什么？
原文:https://www.zhihu.com/question/60759296 基于深度卷积神经网络进行人脸识别的原理是什么? 这里的人脸识别包括但不限于:人脸检测,人脸对齐,身份验证识别,和表 ...
基于CNN卷积神经网络的人脸识别
一.利用卷积神经网络进行人脸检测,称作CFF(卷积人脸搜索) 卷积神经网络人脸识别的大致流程: 1)对本地人脸进行特征提取 2)打开摄像头(opencv) 3)从cap获取信息 4)找人脸 5)对人脸 ...
基于深度卷积神经网络的人脸识别考勤系统-VGG-PYTHON-QT（1）
本项目设计并实现了一个应用于小型企业员工考勤的刷脸考勤系统,整个系统使用Python语言开发,并利用Pyqt5作为桌面端系统界面的开发工具,以SQL Server作为数据库管理系统,最终集成所有刷脸考 ...
基于卷积神经网络的人脸识别（自我拍摄获取数据集）
基于卷积神经网络的人脸识别完整代码.数据请见:https://download.csdn.net/download/weixin_43521269/12837110 人脸识别,是基于人的脸部特征信息 ...
python人脸识别系统界面设计_基于卷积神经网络的人脸识别系统的设计(Python)
基于卷积神经网络的人脸识别系统的设计(Python)(论文10000字,外文翻译,参考代码,流程图,人脸图像库) 摘要:随着社会的进步与发展,个人信息的保护变得十分重要.传统的密码保护方式已经不再满足 ...
博士论文——基于卷积神经网络的人脸识别研究 __张燕红
论文题目作者年份关键词链接备注基于卷积神经网络的人脸识别研究张燕红 2018 人脸识别:卷积神经网络:特征提取:分块策略:正则化博士论文摘要:随着信息技术的蓬勃发展,人们的学习和生活 ...
基于卷积神经网络的人脸识别算法
摘要:近年来,随着科学技术的不断发展,人脸识别技术日渐成熟,使得人脸识别技术的使用率不断增大.例如:门禁.ATM机.公安系统以及新兴起的人机交互等领域,都应用到了人脸识别系统.在人脸识别研究领域中,深 ...
深度学习（十五）基于级联卷积神经网络的人脸特征点定位
基于级联卷积神经网络的人脸特征点定位原文地址:http://blog.csdn.net/hjimce/article/details/49955149 作者:hjimce 一.相关理论本篇博文主要 ...
【转】干货｜孙启超：卷积神经网络在人脸识别技术中的应用
2018-08-27 21:45:01 随着 iPhone X 的发布,Face ID 人脸识别技术开始进入人们的日常生活中,当我们拿起手机并看着它的时候就可以实现手机解锁的功能.而人脸识别中的关键技 ...

基于MTCNN卷积神经网络的人脸识别

基于MTCNN卷积神经网络的人脸识别相关推荐

最新文章

热门文章