dlib python_examples 测试

概述

环境

• Ubuntu 18.04
• CPU
• 代码地址

分类

根据不同的功能，　将所有的文件分成了５类

• 人脸检测：从图片中检测人脸
• 图片处理：图片数据增强、人脸分割等处理
• 人脸识别：如题所述
• 训练检测物体：自己动手训练一个简单的物体识别模型，　推荐图片打标网站ImageLab
• 其他：一些演示程序，找最优值，svm例子等等

人脸检测

cnn_face_detector.py

使用卷积神经网络训练的脸部检测器， 检测一张图片的人脸准确率比较高，遮挡较多不能检测， 在CPU上检测一张图片平均需要花费几秒钟。

face_detector.py

使用HOG特征，线性分类器训练得到的脸部检测器，准确率较高， 速度也很， 所以经常使用。

face_landmark_detection.py

68个landmark点。下面第二张图片显示了６８个点的分布。

图片处理

face_aligment.py

利用5点landmark 将人脸图片截出来， 基本能够将所有人脸剪裁出来， 有时候会出现重复。
原图：

得到的人脸图：

.....省略其他图片.....

face_clustering.py

用5点landmark 得到脸型，　用resnet模型做人脸识别，　将所有图片中相似的图片聚类。

输入文件

输出文件

find_candidate_object_location.py

输入一张图片，　产生一系列的矩形，　这些矩形包括了任何可能需要检测的物体。

opencv_webcam_face_detection.py

结合opencv从视频中检测人脸，　使用的是HOG特征。

face_jitter.py

旋转、平移、缩放图像，　改变图像颜色等方法做数据增强。
原图

增强生成的一些图片。

人脸识别

face_recongnition.py

用５个landmark点，　检测一张人脸，　将人脸转化成128维的向量，记为人脸特征向量，　用欧几里得距离计算不同人脸特征向量的距离，判断是否是同一个人（阈值通常为０．６）。

训练检测物体

train_object_detector.py

利用ｈｏｇ特征，训练人脸图片，得到一个简单的物体检测模型。
训练完成，　得到detector.svm文件。

左图是HOG特征的可视化，右图是测试效果。

只有一个svm文件使用的是

dlib.simple_object_detector("detector.svm")
dets = detector(img)

如果有多个svm文件则使用

detector1 = dlib.fhog_object_detector("detector1.svm")
detector2 = dlib.fhog_object_detector("detector2.svm") 
detectors = [detector1, detector2]
[boxes, confidences, detector_idxs] = dlib.fhog_object_detector.run_multiple(detectors, image, upsample_num_times=1, adjust_threshold=0.0)

train_shape_predictor.py

使用68个点训练。
训练完成：

训练结果：

其他

其他没有列出来的例子可以直接运行。由于这些例子都是一些演示，而且和我本人的研究无关，因此没有深入的研究下去了（狗头保命）。自己跑一下代码，看注释吧。