基于Opencv的人脸检测

本篇内容介绍如何使用opencv，scipy，tensorflow来实现计算机人脸检测。（用一点也是用 =.=）

先声明一下，本篇内容是在图片中的人脸检测，下次会更新调动计算机摄像头的人脸识别。

效果图：

（图片在百度图片搜索而来，如有侵权请联系我。）

先介绍一下要使用的模块：

SciPy模块。 安装方法 pip install scipy

SciPy是一款方便、易于使用、专为科学和工程设计的Python工具包.它包括统计,优化,整合,线性代数模块,傅里叶变换,信号和图像处理,常微分方程求解器等等.它用于有效计算Numpy矩阵，使Numpy和Scipy协同工作，高效解决问题。

还有一些我没有往上写，比如scipy.io，看起来有点多了，我们这里只使用scipy中的misc,跟scipy.io一样都是一种用于输入和输出的实用模块，以图像形式保存数组。因为我们需要对图像进行操作，并且需要使用数组对象来做运算，所以将数组直接保存为图像文件非常有用。

tensorflow。 安装方法 pip install tensorflow

这个先不介绍太多，简单说下。

tensorFlow 是目前世界上最受欢迎的开源机器学习框架。

是一种计算图模型，即用图的形式来表示运算过程的一种模型。Tensorflow程序一般分为图的构建和图的执行两个阶段。图的构建阶段也称为图的定义阶段，该过程会在图模型中定义所需的运算，每次运算的的结果以及原始的输入数据都可称为一个节点。

opencv。 安装方法 pip install opencv-python

装起来可能会有点麻烦，有一些版本兼容问题。安装详情可以看这，python3.6安装open-cv

opencv全称是 open source computer vision library （开源计算机视觉库）

OpenCV 使用 C/C++ 开发，同时也提供了 Python、Java、MATLAB 等其他语言的接口 OpenCV 是跨平台的，可以在

Windows、Linux、Mac OS、Android、iOS 等操作系统上运行。 OpenCV

的应用领域非常广泛，包括图像拼接、图像降噪、产品质检、人机交互、人脸识别、动作识别、动作跟踪、无人驾驶等。 OpenCV

还提供了机器学习模块，你可以使用正态贝叶斯、K最近邻、支持向量机、决策树、随机森林、人工神经网络等机器学习算法。

matplotlib。 安装方法 pip install matplotlib

这个应该很熟悉的，最python的绘图库，没啥多说的。下面开始分析代码。

代码解析：

我按照顺序从头到尾来分析这段代码

首先导入库：

from scipy import misc # pip install scipy
import tensorflow as tf # pip install tensorflow
from face_check import detect_face
import cv2 # pip install opencv-python
import matplotlib.pyplot as plt # pip install matplotlib


设置默认值：

minsize = 20 # minimum size of face 最小尺寸
threshold = [ 0.6, 0.7, 0.7 ] # three steps's threshold 阈值
factor = 0.709 # scale factor 网格参数

print('Creating and loading')


tf.Graph().as_default() 表示将这个类实例

tensorflow 里面已经存好了一张默认图，可以使用tf.get_default_graph() 来调用（显示这张默认纸），当你有多个线程就可以创造多个tf.Graph()，就是你可以有一个画图本，有很多张图纸，这时候就会有一个默认图的概念了。

with tf.Graph().as_default(): #将这个类实例，也就是新生成的图作为整个 tensorflow 运行环境的默认图
sess = tf.Session(cOnfig=tf.ConfigProto(log_device_placement=False))
with sess.as_default():
pnet, rnet, Onet= detect_face.create_mtcnn(sess, None)


detect_face函数之图像金字塔

人脸检测的函数是就是detect_face，这个就是人脸检测的核心的难点了。

这个文件是本地导入的，他和全部代码我在最后会补上githup的链接。

检测人脸，返回人脸框和五个关键点的坐标

detect_face在图像中它们返回包围框和点。创建一个扩展的因素金字塔检测图像

image_path = '1.jpg'
img = misc.imread(image_path) #读取图片
bounding_boxes, _ = detect_face.detect_face(img, minsize, pnet, rnet, onet, threshold, factor)
nrof_faces = bounding_boxes.shape[0] #人脸数目
print('找到人脸数目为：{}'.format(nrof_faces)) #返回检测结果
print(bounding_boxes) ##返回关键点的坐标


通过上面获取的坐标来在我们的要绘制的图中进行数据标注。

astype(int) 变量类型转换

cv2.rectangle通过对角线来画矩形

cv2.resize图片缩放，参数输入是 宽×高×通道

crop_faces=[]
for face_position in bounding_boxes: #遍历一下
face_position=face_position.astype(int) #变量类型转换
print(face_position[0:4])
#通过对角线来画矩形
cv2.rectangle(img, (face_position[0], face_position[1]), (face_position[2], face_position[3]), (0, 255, 0), 2)
crop=img[face_position[1]:face_position[3],
face_position[0]:face_position[2],]
#cv2.resize图片缩放，参数输入是 宽×高×通道
crop = cv2.resize(crop, (96, 96), interpolation=cv2.INTER_CUBIC )
print(crop.shape) #查看矩阵结构
crop_faces.append(crop)
# plt.imshow(crop)
plt.show() #展示

plt.imshow(img) #显示图片
plt.show()


代码从头到尾结束了。其中的from_check import detect_face贴不了

detect_face文件我已经上传到githup

链接：https://github.com/lixi5338619/face_check