深度学习技术与应用 课件 第14章 人脸检测器的使用

深度学习技术与应用DeepLearningTechnologyandApplicationcontents目录第十四章人脸检测器的使用01.

使用Haar分类器进行人脸检测FacedetectionusingHaarclassifier02.使用MTCNN人脸检测FacedetectionusingMTCNN人脸检测器的使用人脸检测一直是机器学习中一个非常经典的话题。在深度学习还未得到广泛研究之前，人脸检测最为经典的方法是Haar特征+AdaBoost分类器，很多人认为采用AdaBoost分类器的方式已经是人脸检测问题的最佳解决方案，但是经过实际测试发现，AdaBoost分类器仍然存在误检和漏检的情况，例如逆光、人脸佩戴物遮挡、侧脸和黑种人等问题。在深度学习开始得到广泛研究后，不断地在图像上取得突破，尤其在人脸方向方面，人脸检测和人脸识别的精度在不断上升。人脸检测器的使用准备工作

在指定的磁盘路径创建存放当前项目的目录，linux或macos可使用mkdir命令创建文件夹目录，Windows直接使用图形化界面右键新建文件夹即可，例如我们的存放项目的目录名为project10，并创建dataset和models文件：人脸检测器的使用测试数据集

定义readimagesrandom函数，输入文件夹地址进行批量预测，默认提取出30张样本，最后返回检测结果的一组图片。图片采用opencv(cv2)读取，可以将图片直接以Numpy的多维数组形式存储。人脸检测器的使用测试数据集

利用matplotlib绘制一组图片，默认30张为一组。由于OpenCV的颜色通道顺序为BGR，而matplotlib的通道顺序为RGB，所以需要将BGR转换为RGB进行输出。人脸检测器的使用测试数据集

在ipython下使⽤matplotlib显示图⽚做⽐较直观，舍弃cv2.imshow()函数。由于OpenCV输出图⽚的顺序是BGR，我们可以⾃⾏写⼀个转换函数，读者也可以⽤其他函数库进⾏转换。PART1使用Haar分类器进行人脸检测01.使用Haar分类器进行人脸检测FacedetectionusingHaarclassifier安放Haar模型⽂件01.使用Haar分类器进行人脸检测FacedetectionusingHaarclassifierhaarcascade进⾏⼈脸检测实验使用cv2.CascadeClassifier加载haar级联分类器01.使用Haar分类器进行人脸检测FacedetectionusingHaarclassifierhaarcascade进⾏⼈脸检测实验准备⼀张图⽚进⾏测试，挑选imgs⽂件夹下的00.jpg⽂件进⾏测试可视化图像test_img，并输出其shape将test_img转换成灰度图像，因为检测器使⽤单通道图像可以加快检测速度。01.使用Haar分类器进行人脸检测FacedetectionusingHaarclassifierhaarcascade进⾏⼈脸检测实验使⽤OpenCV中的detectMultiScale函数，可以检测图⽚中所有的⼈脸，并返回各个⼈脸矩形的坐标和⻓宽位置。detectMultiScale常⽤的参数如下：image：输⼊⼀张图⽚。scaleFactor：扫码窗⼝扩⼤⽐例，例如默认为1.1，扩展⽐例以次为10%。minNeighbors：表示相邻⽬标下，两个矩形框最⼩距离，如果⼩于这个最⼩距离，那么将会被排除。minSize、maxSize：通常⽤来限制⽬标最⼤和最⼩的范围01.使用Haar分类器进行人脸检测FacedetectionusingHaarclassifierhaarcascade进⾏⼈脸检测实验打印输出检测结果faces：可以发现，检测到⼀张⼈脸，并返回⼀组矩形框，如何判断检测是否正确？可以将检测到的⼈脸框在图⽚上绘制出来，查看结果。01.使用Haar分类器进行人脸检测FacedetectionusingHaarclassifierhaarcascade进⾏⼈脸检测实验将矩形框绘制到原图的复制品上，输⼊两个坐标的参数，两对坐标分别是矩形两个对⻆的点，绘制出⼀个像素值为(B:200,G:200,R:0)的、宽度为3像素的边框。01.使用Haar分类器进行人脸检测FacedetectionusingHaarclassifierhaarcascades存在的问题和局限性

能检测出的⼈脸，都是头部姿态相对⽐较正，没有过多的偏移并且也没有过多的遮挡。在⽐较极端的光照环境下，也会影响到检测器的判断。所以，使⽤OpenCV的haarcascades进⾏⼈脸检测虽然速度相对⽐较快，但是却在⼈脸头部姿态和⼀些复杂环境下，例如光照、遮挡有着⽐较不稳定的效果。。PART2LSTM方法进行模型建立和预测02.使用MTCNN人脸检测FacedetectionusingMTCNNMTCNN简单介绍提出MTCNN的论文中心思想是，提出多任务级联卷积的方式，主要包括PRO三个子网络——P-Net、R-Net、O-Net，三个stage采用由浅到深的方式对图像进行处理。可以将PRO三个子网络理解为由低到高的三个网络。02.使用MTCNN人脸检测FacedetectionusingMTCNNMTCNN⼈脸检测器下载与安装02.使用MTCNN人脸检测FacedetectionusingMTCNN使⽤MTCNN⼈脸检测器进⾏实验MTCNN的检测我们从多张⼈脸的实验开始。需要注意的是，我们⽂件夹中有两个动态链接库libfacepythonext.dll和libfacepythonext.so，其中libfacepythonext.dll适⽤于Windows⽤户使⽤，⽽libfacepythonext.so适⽤于Linux⽤户或MacOS⽤户使⽤02.使用MTCNN人脸检测FacedetectionusingMTCNN使⽤MTCNN⼈脸检测器进⾏实验使⽤MTCNN⼈脸检测器尝试多个⼈脸的检测，依旧使⽤02.jpg⽂件进⾏测试02.使用MTCNN人脸检测FacedetectionusingMTCNN使⽤MTCNN⼈脸检测器进⾏实验使⽤MTCNN⼈脸检测器尝试多个⼈脸的检测，依旧使⽤02.jpg⽂件进⾏测试02.使用MTCNN人脸检测FacedetectionusingMTCNN使⽤MTCNN⼈