日萌社

人工智能AI：Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战（不定时更新）

OpenCV：python调用摄像头同时使用OpenCV中自带已训练好的检测器来检测实时图像中的人脸和眼睛

使用opencv中haar人脸特征实时检测识别人脸

import cv2
import osdatpath = 'data/'
# img = cv2.imread('1.jpg')
# gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)face_cascade = cv2.CascadeClassifier("haarcascade_frontalface_alt2.xml")
face_cascade.load("haarcascade_frontalface_alt2.xml")for img in os.listdir(datpath):frame = cv2.imread(datpath+img)gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)faces = face_cascade.detectMultiScale(gray,1.3,5)for(x,y,w,h) in faces:frame = cv2.rectangle(frame,(x,y),(x+w,y+h),(255,0,0),2)cv2.imwrite('result/'+img,frame)# cv2.imshow('img',img)# cv2.waitKey()

调用摄像头使用opencv中haar人脸特征实时检测识别人脸

import numpy as np
import cv2
import cv2 as cv
import matplotlib.pyplot as plt# 实例化检测器
face_cas = cv.CascadeClassifier("haarcascade_frontalface_default.xml" )
face_cas.load('haarcascade_frontalface_default.xml')eyes_cas = cv.CascadeClassifier("haarcascade_eye.xml")
eyes_cas.load("haarcascade_eye.xml")# 调用笔记本内置摄像头，所以参数为0，如果有其他的摄像头可以调整参数为1，2
cap = cv2.VideoCapture(0)
while True:# 从摄像头读取图片sucess, img = cap.read()# 转为灰度图片# gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 显示摄像头，背景是灰度。# cv2.imshow("img", gray)#彩色显示图像# cv2.imshow("img", img)# 以灰度图的形式读取图片gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)# 调用识别人脸faceRects = face_cas.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=3, minSize=(32, 32))for faceRect in faceRects:x, y, w, h = faceRect# 框出人脸cv.rectangle(img, (x, y), (x + h, y + w), (0, 255, 0), 3)# 4.在识别出的人脸中进行眼睛的检测roi_color = img[y:y + h, x:x + w]roi_gray = gray[y:y + h, x:x + w]eyes = eyes_cas.detectMultiScale(roi_gray)for (ex, ey, ew, eh) in eyes:cv.rectangle(roi_color, (ex, ey), (ex + ew, ey + eh), (0, 255, 0), 2)## 检测结果的绘制# plt.figure(figsize=(8, 6), dpi=100)# plt.imshow(img[:, :, ::-1]), plt.title('检测结果')# plt.xticks([]), plt.yticks([])# plt.show()#彩色显示图像cv2.imshow("img", img)# 保持画面的持续。k = cv2.waitKey(1)if k == 27:# 通过esc键退出摄像cv2.destroyAllWindows()breakelif k == ord("s"):# 通过s键保存图片，并退出。cv2.imwrite("image2.jpg", img)cv2.destroyAllWindows()break# 关闭摄像头
cap.release()

使用face_recognition实时检测识别人脸

from PIL import Image, ImageDraw
import face_recognition"""
图像载入函数 load_image_file load_image_file(file, mode='RGB') 加载一个图像文件到一个numpy array类型的对象上。 参数： file：待加载的图像文件名字 mode：转换图像的格式 只支持“RGB”(8位RGB, 3通道)和“L”(黑白) 返回值： 一个包含图像数据的numpy array类型的对象
"""
# image = face_recognition.load_image_file("obama.jpg")
image = face_recognition.load_image_file("threepeople.jpg")"""
人脸特征提取函数 face_landmarks(face_image,face_locations=None,model="large") 给定一个图像，提取图像中每个人脸的脸部特征位置。人脸特征提取函数face_landmarks 提取后的脸部特征包括：鼻梁nose_bridge、鼻尖nose_tip、 下巴chin、左眼left_eye、右眼right_eye、左眉 left_eyebrow、右眉right_eyebrow、上唇top_lip、下 唇bottom_lip参数： face_image：输入的人脸图片 face_locations=None： 可选参数，默认值为None，代表默认解码图片中的每一个人脸。 若输入face_locations()[i]可指定人脸进行解码 model="large"/"small"：输出的特征模型，默认为“large”，可选“small”。 当选择为"small"时，只提取左眼、右眼、鼻尖这三种脸部特征。
"""
face_landmarks_list = face_recognition.face_landmarks(image)#加载图片
pil_image = Image.fromarray(image)
"""
Python图像处理库PIL的ImageDraw模块.
ImageDraw模块提供了图像对 象的简单2D绘制。用户可以 使用这个模块创建新的图像，注释或润饰已存在图像，为 web应用实时产生各种图形
"""
#载入图片，构建一个ImageDraw对象
d = ImageDraw.Draw(pil_image, 'RGBA')""" 遍历图片中可能存在的多个人脸特征数据 """
for face_landmarks in face_landmarks_list:"""1.polygon()方法用于绘制多边形第一个参数是多边形的几个顶点位置组成的list，第二个参数fill是填充该多边形的颜色。例子：d.polygon(face_landmarks['left_eyebrow'], fill=(68, 54, 39, 128))2.line()方法是用来画多个点之间构成的线段第一个参数是 点位置组成的list，第二个参数fill是线段的颜色，第三个参数width是线段的宽度。 例子：d.line(face_landmarks['right_eyebrow'], fill=(68, 54, 39, 150), width=5)"""# 画个浓眉d.polygon(face_landmarks['left_eyebrow'], fill=(68, 54, 39, 128))d.polygon(face_landmarks['right_eyebrow'], fill=(68, 54, 39, 128))d.line(face_landmarks['left_eyebrow'], fill=(1,1, 1, 1), width=15)#d.line(face_landmarks['left_eyebrow'], fill=(68, 54, 39, 150), width=5)d.line(face_landmarks['right_eyebrow'], fill=(68, 54, 39, 150), width=5)# 涂个性感的嘴唇d.polygon(face_landmarks['top_lip'], fill=(150, 0, 0, 128))d.polygon(face_landmarks['bottom_lip'], fill=(150, 0, 0, 128))d.line(face_landmarks['top_lip'], fill=(150, 0, 0, 64), width=8)d.line(face_landmarks['bottom_lip'], fill=(150, 0, 0, 64), width=8)# 闪亮的大眼睛d.polygon(face_landmarks['left_eye'], fill=(255, 255, 255, 30))d.polygon(face_landmarks['right_eye'], fill=(255, 255, 255, 30))# 画眼线d.line(face_landmarks['left_eye'] + [face_landmarks['left_eye'][0]], fill=(0, 0, 0, 110), width=6)d.line(face_landmarks['right_eye'] + [face_landmarks['right_eye'][0]], fill=(0, 0, 0, 110), width=6)pil_image.show()

from PIL import Image,ImageDraw
import face_recognition"""
图像载入函数 load_image_file load_image_file(file, mode='RGB') 加载一个图像文件到一个numpy array类型的对象上。 参数： file：待加载的图像文件名字 mode：转换图像的格式 只支持“RGB”(8位RGB, 3通道)和“L”(黑白) 返回值： 一个包含图像数据的numpy array类型的对象
"""
image = face_recognition.load_image_file('two_people.jpg')"""
人脸特征提取函数 face_landmarks(face_image,face_locations=None,model="large") 给定一个图像，提取图像中每个人脸的脸部特征位置。人脸特征提取函数face_landmarks 提取后的脸部特征包括：鼻梁nose_bridge、鼻尖nose_tip、 下巴chin、左眼left_eye、右眼right_eye、左眉 left_eyebrow、右眉right_eyebrow、上唇top_lip、下 唇bottom_lip参数： face_image：输入的人脸图片 face_locations=None： 可选参数，默认值为None，代表默认解码图片中的每一个人脸。 若输入face_locations()[i]可指定人脸进行解码 model="large"/"small"：输出的特征模型，默认为“large”，可选“small”。 当选择为"small"时，只提取左眼、右眼、鼻尖这三种脸部特征。
"""
face_landmarks_list = face_recognition.face_landmarks(image)
#获取到图片中所包含的两个人的人脸特征
print('找到 {} 个脸在这张图中'.format(len(face_landmarks_list))) #2#加载图片
pil_image = Image.fromarray(image)
"""
Python图像处理库PIL的ImageDraw模块.
ImageDraw模块提供了图像对 象的简单2D绘制。用户可以 使用这个模块创建新的图像，注释或润饰已存在图像，为 web应用实时产生各种图形
"""
d = ImageDraw.Draw(pil_image)
i = 1""" 遍历图片中可能存在的多个人脸特征数据 """
for face_landmarks in face_landmarks_list:print('第 {} 个人的脸在这张图中'.format(i))i+=1""" keys()：获取鼻梁nose_bridge、鼻尖nose_tip、 下巴chin、左眼left_eye、右眼right_eye、左眉 left_eyebrow、右眉right_eyebrow、上唇top_lip、下 唇bottom_lip """for facial_feature in face_landmarks.keys():print('脸部特征：{}。脸部特征值: {}'.format(facial_feature, face_landmarks[facial_feature]))"""1.polygon()方法用于绘制多边形第一个参数是多边形的几个顶点位置组成的list，第二个参数fill是填充该多边形的颜色。例子：d.polygon(face_landmarks['left_eyebrow'], fill=(68, 54, 39, 128))2.line()方法是用来画多个点之间构成的线段第一个参数是 点位置组成的list，第二个参数fill是线段的颜色，第三个参数width是线段的宽度。 例子：d.line(face_landmarks['right_eyebrow'], fill=(68, 54, 39, 150), width=5)"""d.line(face_landmarks[facial_feature],width=5)
pil_image.show()

调用摄像头使用face_recognition实时检测识别人脸、给人脸打马赛克/给人脸贴图

import face_recognition
import cv2
from PIL import Image"""
图像载入函数 load_image_file load_image_file(file, mode='RGB') 加载一个图像文件到一个numpy array类型的对象上。 参数： file：待加载的图像文件名字 mode：转换图像的格式 只支持“RGB”(8位RGB, 3通道)和“L”(黑白) 返回值： 一个包含图像数据的numpy array类型的对象
"""
# 加载一些示例图片并学习如何识别它们。
lmm_image = face_recognition.load_image_file("2.jpg")
mask_image = face_recognition.load_image_file("1.jpg")"""
人脸编码函数 face_encodings face_encodings(face_image, known_face_locations=None, num_jitters=1) 给定一个图像，返回图像中每个人脸的128脸部编码（特征向量）。 参数： face_image：输入的人脸图像 known_face_locations：可选参数，如果你知道每个人脸所在的边界框 num_jitters=1：在计算编码时要重新采样的次数。越高越准确，但速度越慢（100就会慢100倍） 返回值： 一个128维的脸部编码列表
"""
#获取一个128维的脸部编码列表
face_encoding = face_recognition.face_encodings(lmm_image)[0]
# print(face_encoding)
known_faces = [face_encoding]# 初始化一些变量
face_locations = []
face_encodings = []
face_names = []
frame_number = 0# 调用笔记本内置摄像头，所以参数为0，如果有其他的摄像头可以调整参数为1，2
cap = cv2.VideoCapture(0)
while True:# 从摄像头读取图片sucess, frame = cap.read()# 将图像从BGR颜色（OpenCV使用）转换为RGB颜色（人脸识别使用）rgb_frame = frame[:, :, ::-1]"""face_locations(img, number_of_times_to_upsample=1, model='hog') 给定一个图像，返回图像中每个人脸的面部特征位置(眼睛、鼻子等)，也即是获取每个人脸所在的边界框/人脸的位置(top, right, bottom, left)。参数： img：一个image（numpy array类型）number_of_times_to_upsample：从images的样本中查找多少次人脸，该参数值越高的话越能发现更小的人脸。 model：使用哪种人脸检测模型。“hog” 准确率不高，但是在CPUs上运行更快，“cnn” 更准确更深度（且 GPU/CUDA加速，如果有GPU支持的话），默认是“hog” 返回值： 一个元组列表，列表中的每个元组包含人脸的位置(top, right, bottom, left)"""# 获取每个人脸所在的边界框/人脸的位置(top, right, bottom, left)# 一个元组列表，列表中的每个元组包含人脸的位置(top, right, bottom, left)face_locations = face_recognition.face_locations(rgb_frame)# print(face_locations)#face_encodings获取一个128维的脸部编码列表，其中传入第二个参数known_face_locations(可选参数，如果你知道每个人脸所在的边界框 )face_encodings = face_recognition.face_encodings(rgb_frame, face_locations)face_names = []# 遍历列表中 每个128维的脸部编码for face_encoding in face_encodings:"""compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6) 比较脸部编码列表和候选编码，看看它们是否匹配。 参数： known_face_encodings：已知的人脸编码列表 face_encoding_to_check：待进行对比的单张人脸编码数据 tolerance：两张脸之间的距离小于相似阈值才算匹配。该值越小对比越严格，0.6是典型的最佳值。 返回值： 一个 True或者False值的列表，代表了known_face_encodings列表的每个成员的匹配结果。注意：相似阈值(tolerance容忍度)中0.6是典型的最佳值，该值越小对比越严格，即两张脸之间的距离小于相似阈值才算匹配。比如 face_distance 计算出来的距离为 0.4和 0.8，然后设置的相似阈值(tolerance容忍度)为0.6，那么只有 0.4 小于 0.6 才认为是 相似， 0.8 大于 0.6 则认为是 不相似。其中compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6) 也可以设置相似阈值(tolerance容忍度)"""# 查看该脸是否与已知脸匹配match = face_recognition.compare_faces(known_faces, face_encoding, tolerance=0.50)""" match列表中的True或者False值 对应 known_faces = [lmm_face_encoding, al_face_encoding] """# 如果你有两张以上的脸，你可以让这个逻辑更漂亮 但是为了演示我把它简单化了name = Noneif match[0]:name = "nagisa"face_names.append(name)# elif match[1]:#     name = "Quxiaoxiao"#     face_names.append(name)# 标记结果#列表中的每个元组包含人脸的位置(top, right, bottom, left)for (top, right, bottom, left), name in zip(face_locations, face_names):if not name:name = "Unknown"""" 第一种方式：绘制人脸检测框 """# # 根据 人脸的位置(top, right, bottom, left) 在脸上画一个方框# cv2.rectangle(frame, (left, top), (right, bottom), (0, 0, 255), 2)# # 画一个带文本信息的方框# cv2.rectangle(frame, (left, bottom - 25), (right, bottom), (0, 0, 255), cv2.FILLED)# #设置文本信息的字体# font = cv2.FONT_HERSHEY_DUPLEX# #要填入的文本信息# cv2.putText(frame, name, (left + 6, bottom - 6), font, 0.5, (255, 255, 255), 1)""" 第二种方式：使用高斯滤波生成类似马赛克 贴到指定人脸位置 """# face_image = frame[top:bottom, left:right]# face_image = cv2.GaussianBlur(face_image, (99, 99), 30)# frame[top:bottom, left:right] = face_image""" 第三种方式：把小图贴到每一帧图片中的指定人脸位置 """face_image = frame[top:bottom, left:right]# print(face_image.shape[0:2])mask_image = cv2.resize(mask_image, (face_image.shape[1], face_image.shape[0]))frame[top:bottom, left:right] = mask_image#彩色显示图像cv2.imshow("img", frame)# 保持画面的持续。k = cv2.waitKey(1)if k == 27:# 通过esc键退出摄像cv2.destroyAllWindows()breakelif k == ord("s"):# 通过s键保存图片，并退出。cv2.imwrite("image2.jpg", frame)cv2.destroyAllWindows()break# 关闭摄像头
cap.release()

调用摄像头使用face_recognition 或 opencv中haar人脸特征实时检测识别人脸、给人脸打马赛克/给人脸贴图相关推荐

face_recognition、opencv中haar人脸特征：视频/图片进行人脸检测/人脸识别
日萌社人工智能AI:Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战(不定时更新) import face_recognition import ...
cv2.cornerHarris()详解　python+OpenCV 中的 Harris 角点检测
原文作者:aircraft 原文地址:https://www.cnblogs.com/DOMLX/p/8763369.html 参考文献----------OpenCV-Python-Toturial ...
【OpenCV 例程 300篇】240. OpenCV 中的 Shi-Tomas 角点检测
『youcans 的 OpenCV 例程300篇 - 总目录』 [youcans 的 OpenCV 例程 300篇]240. OpenCV 中的 Shi-Tomas 角点检测角是直线方向的快速变化. ...
【OpenCV入门教程之十七】OpenCV重映射 SURF特征点检测合辑
本系列文章由@浅墨_毛星云出品,转载请注明出处. 文章链接: http://blog.csdn.net/poem_qianmo/article/details/30974513 作者:毛星云(浅墨) ...
C++ OpenCV Contrib模块LBF人脸特征点检测
学更好的别人, 做更好的自己. --<微卡智享> 本文长度为3322字,预计阅读9分钟前言 <OpenCV源码Android端编译,用时三天,我编了个寂寞...>文中介绍了编 ...
Android学习-运用手机多媒体-通知使用技巧、调用摄像头拍照、从相册中选取照片、播放音频和视频文件（MediaPlayer、VideoView）
android提供了一系列的API,使得我们可以在程序中调用很多的多媒体资源,从而编写出更加丰富多彩的应用程序. 使用通知通知(Notification)是Android系统中比较有特色的一个功能, ...
OpenCV中的Harris角点检测
OpenCV中的Harris角点检查 1. 效果图 2. 原理 3. 源码 3.1 Harris角点检测 3.2 精细角点检测参考这篇博客将了解什么是特征,角点,哈里斯角点检测(Harris Co ...
Opencv中的“暴力”特征匹配和FLANN特征匹配（python实现）
文章目录 1.ORB关键点检测,SURF关键点检测,SIFT关键点检测,Shi-Tomasi角点检测,Harris角点检测 2.特征匹配的方法 3.暴力特征匹配 4.特征匹配步骤 (1)创建匹配器 ( ...
dlib+vs2013+opencv实现人脸特征点检测
刷知乎的时候发现dlib做特征点检测和人脸识别的效果都好于OpenCV,就想着动手玩一下.没想到也是遇坑重重. 首先,在官网 install命令和setup.py文件进行安装时报错,先是报错cmake ...

调用摄像头使用face_recognition 或 opencv中haar人脸特征实时检测识别人脸、给人脸打马赛克/给人脸贴图

日萌社

使用opencv中haar人脸特征实时检测识别人脸

调用摄像头使用opencv中haar人脸特征实时检测识别人脸

使用face_recognition实时检测识别人脸

调用摄像头使用face_recognition实时检测识别人脸、给人脸打马赛克/给人脸贴图

调用摄像头使用face_recognition 或 opencv中haar人脸特征实时检测识别人脸、给人脸打马赛克/给人脸贴图相关推荐

最新文章

热门文章