人脸识别face_detection

一、人脸识别与检测

face_detection文件夹中保存着如下文件:

1. test_detection_mtcnn.py中利用tensorflow和mtcnn实现人脸检测和五个特征点的定位

2. test_classifier.py 检测完后加载分类器,对分类结果进行判断

3.  train_classifier.py 自行训练的一个性别的检测器,将训练集中图片人脸部分裁出,然后加载映射后进行分类训练.

     使用的图片在train文件夹中\train\Female和\train\male。

4. detect_face.py(实现MTCNN网络三个阶段的检测)和facenet.py(实现将人脸图像映射到128维度的欧几里得空间中,三联子的损失函数进行计算损失进而优化) 分别从两个项目中下载得到的

5.  model_check_point文件夹中

knn_classifier_gender为性别分类器模型

model-20160506.ckpt-500000是从mtcnn项目中下载的一个模型,就不用花费超级多时间来训练

在终端中运行

 

注意需要下载opencv,因为我们在程序中导入opencv的CV2模块来读取图片:

注意:源代码可以不全掌握,但是test的全部代码需要看懂。

二、人脸分类

此章节需要用到face_net,利用train_classifier.py程序来训练,直接在cmd中:

          python train_classifier.py

使用该生成模型进行测试,利用test_classifier.py程序来测试:(记得传入一张图片给程序)

   python  test_classifier.py  \images\female01.jpeg

 

 注意:本程序是Tensorflow0.12来训练的,这取决于mtcnn是用老版本的TensorFlow来写的。

由于tensorflow版本变化很大,还不稳定,若用1.0之后的版本来restrore复原的时候,可能有的参数有出入,从而没有办法来复原模型,无法使用模型。

 

转载于:https://www.cnblogs.com/Josie-chen/p/9082875.html

### 面部检测技术概述 面部检测是计算机视觉领域中的一个重要分支,旨在识别图像或视频流中的人脸位置并提取其特征。这项技术广泛应用于安全监控、身份验证以及增强现实等领域[^1]。 常见的面部检测算法可以分为两大类: #### 基于传统机器学习的方法 这类方法通常依赖手工设计的特征描述符来捕捉人脸的关键属性。Haar级联分类器是最具代表性的例子之一,它通过训练大量正负样本构建出一个多层感知机模型,在测试阶段能够快速定位潜在的人脸区域[^2]。 ```python import cv2 # 加载预训练好的Haar Cascade分类器 face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml') def detect_faces(image_path): img = cv2.imread(image_path) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 使用默认参数执行多尺度检测 faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30)) for (x,y,w,h) in faces: cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2) return img ``` #### 深度学习驱动的技术 近年来,随着卷积神经网络(CNNs)的发展,基于深度学习的解决方案逐渐成为主流。这些模型可以直接从原始像素数据中自动学习到更鲁棒的人脸表征,并且在复杂场景下表现优异。MTCNN(Multi-task Cascaded Convolutional Networks)就是一个典型的实例,该框架不仅实现了高效精准的脸部探测功能,还能同时完成姿态估计和关键点标注任务。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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