OpenCV实战:5分钟搞定人脸对齐(附Python完整代码)

用Python实现简单的人脸识别,10分钟搞定!(附源码) 前言 让我的电脑认识我,我的电脑只有认识我,才配称之为我的电脑! 今天,我们用Python实现简单的人脸识别技术! Python里,简单的人脸识别有很多种方法可以实现,依赖于python胶水语言的特性,我们通过调用包可以快速准确的达成这一目的。这里介绍的是准确性比较高的一种。 欲直接下载源代码文件,关注微信公众号:Python联盟,回复“人脸识别”即可获取~ 一、首先 梳理一下实现人脸识别需要进行的步骤: 流程大致如此,在此之前,要先让人脸被准确的找出来,也就是能准确区分人脸的分类器,在这 阅读详情

从关键点到标准脸:OpenCV实战中的人脸对齐核心技术与避坑指南

最近在做一个社区门禁系统的原型,需要从监控视频里实时识别人脸。本以为直接调用现成的识别模型就能搞定,结果发现同一个人的脸,在不同角度、不同光照下,模型给出的置信度能差出好几倍。折腾了半天才发现,问题出在最基础的一步——人脸对齐。模型训练时用的都是“摆正”了的人脸,而我们直接从视频帧里截出来的脸,歪的、斜的、仰头的、低头的,什么姿势都有。这就像让一个习惯了看证件照的人去认生活照,认不出来太正常了。

人脸对齐,简单说,就是把一张“歪七扭八”的人脸,通过旋转、平移和缩放,变成一个“标准证件照”的样子。这一步是几乎所有严肃人脸应用(识别、属性分析、美颜、特效)的标配预处理。它不增加任何新信息,只是把已有的信息“摆正”,从而极大地消除因姿态变化带来的干扰,让后续的算法能在一个公平、一致的起跑线上工作。对于开发者,尤其是刚接触计算机视觉的朋友,掌握一套高效、稳定的人脸对齐流程,是打通从“能跑通Demo”到“能交付稳定产品”的关键一步。

本文将抛开复杂的数学推导,聚焦于用OpenCV快速实现一套生产可用的人脸对齐流程。我们会从核心原理讲起,手把手带你用estimateAffinePartial2D和warpAffine这两个函数搞定对齐,并深入探讨参数调优、常见报错(比如那个恼人的LinAlgError)的解决方案,以及如何适配不同的关键点检测模型。目标是让你在5分钟内理解核心,在半小时内拥有一个可复用的代码模块。

1. 理解对齐的本质:不仅仅是“摆正”

在开始写代码之前,我们需要先建立正确的认知。人脸对齐不是一个简单的“裁剪+居中”操作。想象一下,如果只是把人脸框出来放到图像中心,那么左眼可能在高处,右眼在低处,嘴巴是歪的。这样的“对齐”对后续算法毫无帮助。

真正的人脸对齐,目标是让面部的特定解剖学特征点(也就是关键点,Landmarks)与一个预定义的标准模板位置对齐。这个模板定义了在理想的正脸情况下,左眼、右眼、鼻子、嘴角等点应该处于图像的什么坐标。对齐的过程,就是寻找一个变换,使得原始图像上的关键点,经过变换后,尽可能接近模板位置。

这个变换,在二维图像处理中,最常用的就是仿射变换。它包含了我们需要的所有基础几何操作:

  • 平移:整体移动人脸。
  • 旋转:纠正倾斜的头部姿态。
  • 缩放:将不同大小的人脸统一到标准尺寸。
  • 剪切(部分仿射变换不支持):可以轻微纠正非正面的透视畸变,但完全的人脸对齐通常使用更简单的相似变换(旋转、平移、缩放,不含剪切)。

为什么是仿射变换?因为它能用一个简洁的2x3矩阵M来表示:

# 变换矩阵 M 的形式
M = [[a, b, c],
     [d, e, f]]

对于一个原始点 (x, y),变换后的新坐标 (x', y') 计算如下:

x' = a*x + b*y + c
y' = d*x + e*y + f

a, b, d, e 控制旋转、缩放和剪切,c, f 控制平移。我们的任务,就是根据多对“原始点-目标点”,求解出这个最优的矩阵M。OpenCV的cv2.estimateAffinePartial2D函数,就是为我们做这件事的“计算器”。

注意:estimateAffinePartial2D 计算的是相似变换矩阵,它强制 a=e, b=-d,这意味着它只允许旋转、平移和均匀缩放,不允许非均匀缩放和剪切。这正符合人脸对齐中我们希望保持面部器官相对比例不变的需求。而estimateAffine2D则允许完整的仿射变换(含剪切),在需要纠正轻微透视时可能有用,但用于标准人脸对齐时可能引入不必要的形变。

2. 实战三步走:检测、计算、变换

理论清晰后,我们进入实战环节。一个完整的人脸对齐流程可以分解为三个清晰的步骤,下面我们结合代码逐一拆解。

2.1 第一步:获取人脸关键点

这是所有工作的基础。你需要一个关键点检测器来“找到”脸上的特征点。常见的库有:

  • Dlib:老牌经典,提供68点模型,稳定但速度较慢,对侧脸和大角度姿态效果一般。
  • MediaPipe Face Mesh:谷歌出品,提供468点或更密集的点,速度快,适合实时应用,但对极端姿态也有限制。
  • MTCNN:同时完成人脸检测和5点关键点定位,点数少但速度快,适合对精度要求不极端高的场景。
  • 专用深度学习模型:如MobileNet、PFLD等训练的模型,可以在精度和速度上取得更好平衡。

这里以经典的Dlib 68点模型为例,展示如何获取关键点。假设你已经完成了人脸检测,得到了人脸框face_rect。

import cv2
import dlib
import numpy as np

# 初始化dlib的人脸检测器和关键点预测器
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat") # 需要下载模型文件

# 读取图像并转为灰度(dlib检测需要)
image = cv2.imread("test_face.jpg")
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 检测人脸
faces = detector(gray, 0) # 0表示不进行图像金字塔上采样
if len(faces) == 0:
    print("未检测到人脸")
    exit()

# 获取第一个检测到的人脸的关键点
face_rect = faces[0]
landmarks = predictor(gray, face_rect)

# 将dlib的landmarks对象转换为numpy数组
# 我们通常只需要眼睛、鼻子、嘴角等少数几个点用于对齐。
# 以68点模型为例,我们选取左眼中心(36-41)、右眼中心(42-47)、鼻子尖(30)、左嘴角(48)、右嘴角(54)的索引。
def shape_to_np(shape, dtype="int"):
    coords = np.zeros((shape.num_parts, 2), dtype=dtype)
    for i in range(0, shape.num_parts):
        coords[i] = (shape.part(i).x, shape.part(i).y)
    return coords

points = shape_to_np(landmarks)
# 选取用于对齐的5个点索引 (示例,可根据模板调整)
left_eye_center = points[36:42].mean(axis=0).astype(np.int32) # 左眼区域中心
right_eye_center = points[42:48].mean(axis=0).astype(np.int32) # 右眼区域中心
nose_tip = points[30]
left_mouth_corner = points[48]
right_mouth_corner = points[54]

src_points = np.array([left_eye_center, right_eye_center, nose_tip, left_mouth_corner, right_mouth_corner], dtype=np.float32)

现在,src_points 变量里就存放了我们从图像中检测到的5个原始关键点坐标。

2.2 第二步:定义模板与计算变换矩阵

接下来,我们需要定义这些关键点在“标准脸”上应该处于什么位置。这个模板坐标是人为定义的,但有一些通用原则:

  1. 图像尺寸固定,比如 (112, 112) 或 (96, 96),这是对齐后输出图像的大小。
  2. 双眼应该处于同一水平线上。
  3. 通常以两眼连线中点为参考,将其置于图像宽度的特定比例位置(如居中偏上)。

下面是一个常见的96x96尺寸下的5点模板定义:

# 目标图像尺寸
desired_width = 96
desired_height = 96

# 定义模板点坐标 (基于 desired_width x desired_height)
# 这些坐标是经验值,可以根据你的数据集或下游任务微调。
# 格式: [左眼x, 左眼y], [右眼x, 右眼y], [鼻子x, 鼻子y], [左嘴角x, 左嘴角y], [右嘴角x, 右嘴角y]
dst_points = np.array([
    [desired_width * 0.3, desired_height * 0.35],   # 左眼
    [desired_width * 0.7, desired_height * 0.35],   # 右眼
    [desired_width * 0.5, desired_height * 0.5],    # 鼻尖
    [desired_width * 0.3, desired_height * 0.75],   # 左嘴角
    [desired_width * 0.7, desired_height * 0.75]    # 右嘴角
], dtype=np.float32)

有了源点src_points和目标点dst_points,就可以调用OpenCV的核心函数计算变换矩阵了。

# 使用 RANSAC 算法鲁棒地估计变换矩阵
# 参数说明:
# srcPoints: 原始点集
# dstPoints: 目标点集
# method: 默认使用 RANSAC,对异常点(关键点检测错误)有较好的鲁棒性。
# ransacReprojThreshold: RANSAC算法中判断内点的阈值(像素单位)。值越大,允许的误差越大,内点越多。通常设为1.0-3.0。
# maxIters: RANSAC最大迭代次数,默认2000。
# confidence: 置信度,默认0.99。
# refineIters: 优化迭代次数,在得到初始内点集后,用所有内点重新计算最小二乘解,默认10。
M, inliers = cv2.estimateAffinePartial2D(src_points, dst_points, method=cv2.RANSAC, ransacReprojThreshold=3.0)

if M is None:
    raise Exception("无法计算变换矩阵,请检查关键点坐标是否有效。")

inliers是一个掩码,标识哪些点被算法认为是“内点”(符合变换模型的点)。如果某个关键点检测严重错误,它可能会被标记为外点并被排除在计算之外,这提高了变换的鲁棒性。

2.3 第三步:执行仿射变换与后处理

拿到变换矩阵M后,最后一步就是对整个原始图像区域(或人脸区域)进行变换。

# 使用 warpAffine 进行变换
# 参数说明:
# src: 输入图像
# M: 2x3 变换矩阵
# dsize: 输出图像尺寸 (width, height)
# flags: 插值方法,cv2.INTER_LINEAR(双线性插值)是平衡速度和质量的好选择。
# borderMode: 边界填充模式,cv2.BORDER_CONSTANT 表示用常数值填充。
# borderValue: 当 borderMode 为 BORDER_CONSTANT 时使用的填充值,通常设为0(黑色)或 (127,127,127)(灰色)。
aligned_face = cv2.warpAffine(image, M, (desired_width, desired_height),
                               flags=cv2.INTER_LINEAR,
                               borderMode=cv2.BORDER_CONSTANT,
                               borderValue=(127, 127, 127))

# 显示或保存结果
cv2.imshow("Original", image)
cv2.imshow("Aligned Face", aligned_face)
cv2.waitKey(0)
cv2.destroyAllWindows()

至此,一个基础的人脸对齐流程就完成了。你将得到一张尺寸统一、五官位置标准的人脸图像。

3. 参数调优与高级技巧:让对齐更稳定

上面的代码能跑起来,但要在实际项目中稳定运行,还需要考虑更多细节。下面是一些关键的调优点和高级技巧。

3.1 关键点选择与模板设计

不是所有68个点都适合用来做对齐。通常选择刚性强、不易因表情而大幅移动的点。双眼中心、鼻尖、嘴角是两个最常用的组合(5点)。也有使用双眼和嘴中心(3点)的简化版。点太少可能对姿态估计不准,点太多则可能引入表情带来的噪声。

模板坐标的设计也非一成不变。下表对比了两种常见模板设计思路:

设计思路模板坐标特点优点缺点适用场景
居中对称型两眼关于图像垂直中轴线对称,且处于图像上半部分。鼻尖和嘴角也对称分布。符合审美,输出人脸居中,便于后续处理。对于非极端姿态的侧脸,对齐后脸部可能不居中。通用人脸识别、属性分析。
INSIGHTFACE型参考广泛使用的INSIGHTFACE仓库,其模板坐标经过大量数据优化,两眼位置并非严格水平。在大型人脸识别数据集上验证有效,兼容性好。坐标是“黑盒”,不易理解其设计原理。需要与INSIGHTFACE等主流框架兼容的场景。

你可以根据你的数据分布微调模板。例如,如果你的数据集中很多人有轻微抬头,可以适当将眼睛的模板y坐标调高一点。

3.2 处理 estimateAffinePartial2D 的失败情况

有时cv2.estimateAffinePartial2D会失败,返回的M是None。最常见的原因是关键点共线或距离太近。例如,如果检测到的左右眼坐标几乎重合(在极端侧脸时可能发生),就无法计算出有效的旋转和缩放。

解决方案:

  1. 增加关键点:如果使用5点法失败,可以尝试加入更多稳定的点,如眉毛点、下巴轮廓点(来自68点模型)。
  2. 使用更鲁棒的估计方法:将method参数从cv2.RANSAC改为cv2.LMEDS(最小中值平方)试试,它对数据中高达50%的异常值有鲁棒性。
  3. 降级策略:如果还是失败,可以降级使用相似变换的解析解(普氏分析,Procrustes Analysis)。这种方法要求点对一一对应,且没有异常值,因此在关键点质量很高但恰好共线时有效。
# 普氏分析实现相似变换矩阵计算 (用于2D点集)
def get_similarity_transform(src_points, dst_points):
    """
    计算两个二维点集之间的最佳相似变换(旋转、平移、缩放)。
    使用普氏分析,要求 src_points 和 dst_points 形状相同且点数>=2。
    返回 2x3 的变换矩阵 M。
    """
    assert src_points.shape == dst_points.shape and src_points.shape[0] >= 2
    # 中心化
    src_centroid = np.mean(src_points, axis=0)
    dst_centroid = np.mean(dst_points, axis=0)
    src_centered = src_points - src_centroid
    dst_centered = dst_points - dst_centroid
    # 计算缩放因子
    src_std = np.std(src_centered)
    dst_std = np.std(dst_centered)
    scale = dst_std / src_std if src_std > 1e-8 else 1.0
    # 使用SVD计算旋转
    H = np.dot(src_centered.T, dst_centered)
    U, S, Vt = np.linalg.svd(H)
    R = np.dot(Vt.T, U.T)
    # 处理反射情况
    if np.linalg.det(R) < 0:
        Vt[-1, :] *= -1
        R = np.dot(Vt.T, U.T)
    # 合成变换矩阵
    M = np.zeros((2, 3), dtype=np.float64)
    M[:2, :2] = scale * R
    M[:, 2] = dst_centroid - scale * np.dot(R, src_centroid)
    return M

# 在 estimateAffinePartial2D 失败时使用
try:
    M, inliers = cv2.estimateAffinePartial2D(src_points, dst_points, method=cv2.RANSAC, ransacReprojThreshold=3.0)
    if M is None:
        raise cv2.error("OpenCV estimation failed")
except cv2.error:
    print("OpenCV估计失败,使用普氏分析降级处理。")
    M = get_similarity_transform(src_points, dst_points)

3.3 边界处理与图像质量

cv2.warpAffine变换后,人脸区域可能会被旋转到图像边界之外,导致黑色或填充色的区域。这有时会影响后续处理。

  • 调整输出尺寸:你可以先计算变换后人脸框的边界,然后动态调整dsize,确保整个人脸都在图像内,但这会导致输出图像尺寸不固定。
  • 扩大输入区域:在变换时,不对原始人脸框裁剪,而是对包含更多人脸周围背景的稍大区域进行变换,减少黑边。这需要结合人脸检测框的扩展来实现。
  • 使用BORDER_REFLECT:将borderMode改为cv2.BORDER_REFLECT,用边缘像素的镜像来填充,有时比纯色填充更自然,但可能引入不相关的背景信息。

此外,仿射变换中的插值方法flags也会影响质量。cv2.INTER_LINEAR是默认且推荐的选择。cv2.INTER_CUBIC质量更高但更慢,cv2.INTER_NEAREST最快但会产生锯齿。

4. 工程化整合与性能考量

在真实项目中,我们很少孤立地使用对齐模块。它需要被无缝集成到人脸检测->关键点检测->人脸对齐->特征提取的流水线中。

性能优化:

  • 批量处理:如果有多张人脸需要对齐,不要用for循环单张处理。可以将所有人脸裁剪并缩放到相近大小,然后尝试将变换矩阵计算和warpAffine向量化。但注意,每张脸的变换矩阵不同,完全向量化较难,通常优化关键点检测步骤更有效。
  • 缓存模板:模板坐标dst_points是固定的,只需计算一次。
  • 选择轻量级关键点模型:对齐的精度对关键点检测的绝对精度要求并非极高,但要求稳定和快速。MediaPipe的6点或15点模型,或MTCNN的5点模型,在速度和精度上是不错的折衷。

错误处理与日志:

  • 在关键点检测失败、点数不足、矩阵计算失败等环节加入try...except和日志记录。
  • 对于warpAffine后的图像,可以简单检查其有效像素区域占比,如果黑边过多,可能意味着变换失败或人脸姿态过于极端,可以丢弃该样本或标记为低质量。

与深度学习框架结合: 如果你使用PyTorch或TensorFlow,可能希望对齐步骤能在GPU上进行。OpenCV的warpAffine目前主要支持CPU。一个替代方案是使用这些框架自带的仿射变换网格生成函数(如torch.nn.functional.affine_grid和torch.nn.functional.grid_sample),将计算好的M矩阵转换成网格参数,在GPU上执行变换,这对于需要对齐大量图像的训练数据预处理非常高效。

最后,别忘了用各种姿态、光照、表情的人脸图片测试你的对齐流程。观察对齐后的眼睛是否水平,脸是否居中,极端情况下的处理是否优雅。我自己的经验是,花半天时间打磨好这个预处理模块,后续模型性能的提升和调试时间的节省,会远远超过这点投入。

用Python几行代码实现简单的人脸识别,10分钟完成(附源码) 前言 今天,我们用Python实现简单的人脸识别技术! Python里,简单的人脸识别有很多种方法可以实现,依赖于python胶水语言的特性,我们通过调用包可以快速准确的达成这一目的。这里介绍的是准确性比较高的一种。 一、首先 梳理一下实现人脸识别需要进行的步骤: 流程大致如此,在此之前,要先让人脸被准确的找出来,也就是能准确区分人脸的分类器,在这里我们可以用已经训练好的分类器,网上种类较全,分类准确度也比较高,我们也可以节约在这方面花的时间。 既然用的是python,那自然少不了包的使用了 阅读详情

相关推荐

OpenCV实战:5分钟搞定人脸对齐中的仿射变换(Python代码示例)

本文详细介绍了如何使用OpenCV和Python快速实现人脸对齐,核心在于通过仿射变换将检测到的人脸关键点与标准模板对齐。文章提供了完整的代码示例,重点讲解了相似变换的原理、`cv2.estimateAffinePartial2D`函数的使用方法以及关键的避坑指南,帮助开发者提升人脸识别系统的预处理效果与鲁棒性。

sunny的博客 439

人脸识别-利用相似性变换将人脸对齐

#! /usr/bin/env python # -*- coding: utf-8 -*- # __author__ = "wxf" # Email: yingxiongmowenchuchu@126.com # Date: 2018/8/20 # ****目前还有问题:变换后存在不正常拉伸问题,是否是正常现象还需要再分析 # 利用相似性变换将人脸对齐 import os import c...

破晓的专栏 2502

Python+OpenCV实战:5分钟搞定简易人脸考勤系统(附完整代码)

本文详细介绍了如何使用Python和OpenCV快速搭建一个简易但实用的人脸考勤系统。文章提供了从环境配置、人脸检测与识别、考勤逻辑设计到图形界面开发的完整代码和实战技巧,帮助开发者快速实现一个稳定可用的考勤系统原型。

weixin_29029995的博客 246

相似变换

% headpose_with_block/ini_shape clc;clearvars;close all; data=load('../data_temp/data.mat','data'); data=data.data;meanshape=calc_meanshape2(data); ind=1; img=imread(data{ind}.imgPath);%color image lan

机器学习的小学生 6275

用Python的PyGem库5分钟搞定3D人脸捏脸:RBF网格变形实战(附完整代码)

本文详细介绍了如何使用Python的PyGem库通过RBF网格变形技术快速实现3D人脸捏脸。通过5行核心代码,开发者可以轻松完成人脸模型的平滑变形,适用于游戏开发和数字艺术创作。文章包含完整的代码示例和参数调优建议,帮助用户高效掌握这一技术。

weixin_30781433的博客 642

2024年最全用Python实现简单的人脸识别,10分钟搞定!(附源码)

LBP是一种特征提取方式,能提取出图像的局部的纹理特征,最开始的LBP算子是在3X3窗口中,取中心像素的像素值为阀值,与其周围八个像素点的像素值比较,若像素点的像素值大于阀值,则此像素点被标记为1,否则标记为0。

2401_84563287的博客 3638

人脸对齐(Face Alignment)

有时候,我们希望数据集中的人脸全是正的,而不是歪着头的,并且希望所有的人脸都处于图片中固定的位置,于是我们需要对图像进行旋转,将头摆正,然后再进行平移,把人脸放到图片正中央。 此时,我们需要建立纠正后图像与原图的关系。 如图,我们需要将(x,y)纠正为(x’,y’)。 可以得到如下表达式: 我选取的是眼角的两个点(通过特征点定位得到),设置变换后的点为(110,95),(160...

LeeWanzhi的博客 6712

避坑指南:汇川SV660N配合SOEM时,PDO映射与CiA402状态机那些容易出错的地方

本文深入解析汇川SV660N伺服驱动与SOEM主站在PDO动态映射和CiA402状态机切换中的常见问题,提供实战代码和调试技巧。重点解决PDO配置时序、状态机转换同步等关键难点,帮助工程师避免典型错误,实现稳定通信与控制。

weixin_30653023的博客 498

人脸检测、人脸对齐(MTCNN方法)

众所众知,严格定义上的人脸识别分为四个步骤: ①人脸检测:从图片中准确定位到人脸 ②人脸矫正(对齐): 检测到的人脸,可能角度不是很正,需要使其对齐 ③对矫正后的人脸进行特征提取 ④对两张人脸图像的特征向量进行对比,计算相似度 这里,我们主要是推荐步骤1和步骤2用到的一个方法,论文是《2016 Joint Face Detection and Alignment using Multi-

花泽 3万+

2023年全国青少年信息素养大赛复赛真题(C++智能算法复赛真题:带解析)

2023年全国青少年信息素养大赛复赛真题(C++智能算法复赛真题:带解析)

王老师青少年编程 2114

嵌入式开发板OpenClaw部署:ESP32-S3与RISC-V平台性能评估

ESP32-S3与RISC-V平台在OpenClaw部署中的性能评估 本文对比分析了ESP32-S3和RISC-V两种嵌入式平台在OpenClaw部署中的性能表现。ESP32-S3凭借240MHz双核Xtensa LX7处理器和专用AI加速器,特别适合轻量级AI推理任务;而RISC-V凭借开源架构和模块化设计,可实现更高的能效比。文章详细介绍了ESP32-S3-DevKitC-1、SiFive HiFive1等典型开发板的硬件规格,推荐了ESP-IDF和FreeRTOS等操作系统,并提供了完整的开发环

博客 1128

OpenCV实战:5分钟搞定人脸对齐与矫正(附Python完整代码)

本文详细介绍了如何使用OpenCV在5分钟内实现人脸对齐与矫正,包含完整的Python代码示例。通过人脸关键点检测和仿射变换技术,快速将倾斜的人脸调整为标准姿态,提升后续人脸识别等任务的准确性。文章还提供了性能优化和工程化应用建议,适合计算机视觉开发者快速上手。

weixin_29053073的博客 283

HyperLynx中层叠设计实例

这两种方式有点区别,前一种方式只是增加层,需要自行修改层的类型,后一种方式可以选定为某一种类型,如果是增加信号层,软件会默认同时增加一层介质层。层叠已经有8层,按照示例的层叠有4个信号层、3个地平面层和1个电源平面层,对照进行层名称(LayerName)、介质类型(Type)及用途(Usage)设置。在这列中,有的是白色,有的是淡蓝色。白色的说明可以修改,如第一行是介质,通常在最外层的介质有两个用途,阻焊层和介质,单击该行会出现一个下拉菜单,选择SolderMask,即为阻焊层。...

小幽余生不加糖 5880

Python实战:用LBP特征检测人脸,5分钟搞定OpenCV配置(附完整代码)

本文详细介绍了如何使用Python和OpenCV快速实现基于LBP特征的人脸检测。通过5分钟完成环境配置,读者可以掌握LBP级联分类器的原理和实战应用,包括代码实现、参数调优和性能优化技巧。文章还提供了实时视频处理和多尺度检测等高级应用方案,帮助开发者高效解决计算机视觉中的人脸检测问题。

weixin_29098367的博客 360

CLAHE 算法学习 matlab

概念可参考: CLAHE (Contrast Limited Adaptive Histogram Equalization)算法学习CLAHE具体实现主要包括6个步骤。1):分块。将输入图像划分为大小相等的不重叠子块,每个子块含有的像素数为M。参考示例为8×8块。 2):计算子块直方图。 3):计算剪切阈值clipLimit 4):像素点重分配。对每个子块,使用步骤三中多余的像素重新分配。 5):直方图均衡。 6):像素点灰度值重构。(源码中采用了双线性插值) http://www.realtimer

baidu_34971492的博客 4256

华为OD机试新系统真题 - 电池充电时间计算

华为OD机试 新系统真题【电池充电时间计算】,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。华为OD机试真题【电池充电时间计算】多语言题解。

qq_45776114的博客 537

Python实战:5分钟搞定面部表情识别系统(附完整代码)

本文提供了一个基于Python的快速面部表情识别系统实战教程。通过整合OpenCV、dlib和预训练的Mini-Xception模型,开发者可在5分钟内搭建一个能实时识别高兴、悲伤、惊讶等基本情绪的桌面应用。教程包含完整代码、环境配置及优化技巧,帮助初学者快速入门计算机视觉与AI应用开发。

bash7scripter的博客 456

DDD系列 - 第6讲 仓库Repository - Mybatis篇

书接上回,之前通过一个关于拆解、微服务、面向对象的故事,向大家介绍了如何从微服务、面向对象一步步演进到DDD的,整个演进过程如下图:其中在领域层,我们定义了富血模型的领域模型,包括聚合、聚合根、实体、值对象等。聚合在代码层面中的表现形式即是一个包Package,起到了边界的作用,聚合内的对象间高内聚,而聚合间低耦合。聚合中放着实体、值对象、仓库等,实体相较于值对象的一个典型区别就是实体存在唯一标识,并且可通过该唯一标识查询到该实体并对其进行相关操作,值对象不存在唯一标识且通常作为实体。

罗小爬的技术宝书 1788

OpenCV实战:5分钟搞定人脸姿态估计(附PnP问题完整代码)

本文详细介绍了如何使用OpenCV的solvePnP函数在5分钟内实现高精度人脸姿态估计,涵盖从环境准备、关键点数据准备到相机参数校准和姿态求解的全流程。特别针对PnP(Perspective-n-Point)问题提供了完整的工程指南和优化技巧,适用于虚拟试妆、AR特效等3D视觉应用场景。

weixin_28694169的博客 284

Unreal5从入门到精通之如何实现移动端触屏滑动手势

随着移动设备的普及,越来越多的游戏和应用选择在移动平台上发布。Unreal Engine 5(UE5)作为一款强大的游戏引擎,提供了丰富的工具和功能,帮助开发者打造出色的移动体验。UE5不仅提升了图形质量,还大幅简化了开发流程,使得开发者能够更专注于游戏设计和用户体验。在移动游戏中,触屏滑动手势是用户与应用互动的主要方式之一。然而,许多开发者在实现这些功能时常常遇到困难。为了填补这一知识空白,本篇文章将详细介绍如何在UE5中实现移动端触屏滑动手势,帮助你从入门到精通,提升你的开发技能。

TxNet 1139

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

Python+OpenCV+FFmpeg三剑客:5分钟搞定实时人脸检测直播推流(附完整代码)

本文详细介绍了如何使用Python、OpenCV和FFmpeg快速构建实时人脸检测直播系统。通过不到100行的代码实现视频采集、人脸检测和RTMP推流功能,特别适合中小团队和个人开发者快速验证原型。文章包含完整代码、环境配置指南和实战优化技巧,帮助开发者5分钟内完成部署。

weixin_30952535的博客 522

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

5分钟搭建OpenCV原型:人脸识别DEMO实战

他们的在线编辑器预装了OpenCV,点开就能写代码测试,调试时还能随时和AI助手讨论问题。最方便的是支持一键部署成可访问的web应用,分享给同事测试时不用再打包发文件。对于需要快速验证计算机视觉创意的场景,这种从开发到演示的无缝体验确实能节省大量时间。特别是当客户临时想看演示时,五分钟就能给出现场可运行的案例,比画PPT有说服力多了。最近在尝试快速验证一个人脸识别的小项目,发现用OpenCV配合预训练模型可以极速搭建可运行的演示系统。这里记录下从零开始的完整流程,特别适合需要快速验证想法的场景。

GoldenleafLynx28的博客 927

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

OpenCV实战:5分钟用Python实现人脸检测(附完整代码)

本文详细介绍了如何使用Python和OpenCV快速实现高精度人脸检测系统,涵盖环境配置、算法原理、完整代码实现及性能优化技巧。通过Haar特征和LBP算法对比,以及深度学习模型的集成,帮助开发者快速掌握计算机视觉核心技术,适用于安防监控、人脸识别等多种场景。

wood5的博客 139

Python+Dlib+OpenCV三剑客:5分钟搞定实时人脸68关键点检测(附完整代码)

本文详细介绍了如何使用Python结合Dlib和OpenCV快速实现实时人脸68关键点检测。通过简洁的代码示例和分步指导,开发者可以在5分钟内搭建高效的人脸特征定位系统,适用于美颜、虚拟试妆、情绪分析等多种应用场景。文章还提供了性能优化技巧和实用扩展思路,帮助读者轻松掌握这一计算机视觉核心技术。

weixin_42565865的博客 387
上一篇: ESP32 BLE Client实战:从扫描到数据交互的完整链路解析
下一篇: React项目CSS模块化实战:从JSS到TypeScript的类型安全提示
人间清醒863
博客等级 码龄3年 33粉丝 1544原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值