python可以实现图像的人脸检测吗,

  python可以实现图像的人脸检测吗,

  MediaPipe是一个构建多模态(如视频、音频或任何时间序列数据)和跨平台(如eAndroid、IOS、web、edge设备)应用ML管道的框架。本文将使用MediaPipe实现人脸检测的功能,有需要的可以参考。

  

目录
面部检测的MediaPipe概述

  

MediaPipe概述

  谷歌开源的MediaPipe于2019年6月首次推出。它的目标是通过提供一些集成的计算机视觉和机器学习功能,让我们的生活变得更加轻松。

  MediaPipe是一个构建多模态(如视频、音频或任何时间序列数据)和跨平台(如eAndroid、IOS、web、edge设备)应用ML管道的框架。

  Mediapipe还促进机器学习技术在各种硬件平台上的演示和应用程序的部署。

  应用

  人脸检测、多手跟踪、头发分割、目标检测和跟踪:3D目标检测和跟踪自动裁剪:视频裁剪管道、其他为什么需要MediaPipe

  管理有效资源(CPU和GPU)以实现低延迟性能,并处理时序数据(如音频和视频帧)的同步。

  MediaPipe将每个感知模型抽象成一个模块,并将它们与维护图连接起来。

  除了上述功能,MediaPipe还支持TensorFlow和TF Lite推理引擎。任何TensorFlow和TF Lite型号都可用于MediaPipe。同时,在移动和嵌入式平台上,MediaPipe还支持设备本身的GPU加速。

  现在是时候走向MediaPipe的应用了,人脸检测。

  

人脸检测

  考虑一个场景,“零售商要求你统计访客的数量并跟踪他们的活动。”

  看起来很难!怎么才能解决这个问题?嗯.

  哦,太好了!我们将使用人脸检测来解决这个问题。

  人脸检测是计算机视觉中的一个问题,即对照片中的一张或多张人脸进行定位和定位。

  该问题的一般陈述可以定义如下:给定一幅静止或视频图像,检测并定位未知数量(如果有的话)的人脸。

  使用MediaPipe执行人脸检测:

  为了执行面部检测,可以使用三种模型:

  近景模型(最适合距离摄像头2m以内的人脸)全范围模型(密集,最适合距离摄像头5m以内的人脸)全范围模型(稀疏,最适合距离摄像头5m以内的人脸)全范围密集模型和稀疏模型在F评分上质量相同,但在基础度量上有所不同。

  密集模型的召回率略高于稀疏模型,稀疏模型的准确率高于密集模型。

  现在是时候使用MediaPipe的人脸检测模型了。

  安装必要的库

  要执行面部检测,您必须首先在机器中安装MediaPipe。如果您是windows用户,可以在计算机的命令提示符下运行以下代码。

  管道安装

  有关详细说明,您可以访问以下链接:

  https://google.github.io/mediapipe/getting_started/python.html

  你还需要安装OpenCV用于网络摄像头或图像输入。如果您是windows用户,可以在命令提示符下运行以下代码。

  pipinstallopencv-python

  有关详细说明,您可以访问以下链接:

  https://pypi.org/project/opencv-python/

  编写代码以了解API的使用:

  我们使用Google Colab来运行代码。可以选择使用。

  我们需要cv2,它可以读取和显示图像,还需要MediaPipe模块,它公开了执行人脸检测所需的函数。

  导入cv2

  将媒体管道作为mp导入

  然后,我们将访问两个子模块:人脸检测和绘图工具。人脸检测用于加载所有函数来执行人脸检测,而绘图工具用于在图像上绘制检测到的人脸。

  h:py;">mp_face_detection = mp.solutions.face_detection

  mp_drawing = mp.solutions.drawing_utils

  是时候深入研究代码了。首先,我们将图像作为输入。这里我们使用两种类型的图像

  (i) 包含2米以内的人脸的图像

  (ii)包含5米以内的人脸的图像。

  我们使用colab中的文件直接从本地目录加载图像。你也可以使用cv2.imread用于在本地计算机中工作时加载图像。

  (a) 第一张照片

  

from google.colab import files

  uploaded_short_range = files.upload()

  (b) 第二张照片

  

from google.colab import files

  uploaded_full_range = files.upload()

  在本地PC上工作时,你可以使用

  

cv2.imread() # 获取输入

  单击此处了解有关cv2.imread:

  现在我们将调整图像大小并显示图像。为了显示图像,我们必须使用colab或cv2的cv2_imshow模块。

  在本地机器中工作时显示cv2.imshow(frame name, iamge)。我们可以使用下面的代码在google colab中调整图像大小并显示图像。

  用于调整图像大小和显示图像的代码:

  

import cv2

  from google.colab.patches import cv2_imshow

  import math

  import numpy as np

  DESIRED_HEIGHT = 480

  DESIRED_WIDTH = 480

  def resize_and_show(image):

   h, w = image.shape[:2]

   if h < w:

   img = cv2.resize(image, (DESIRED_WIDTH, math.floor(h/(w/DESIRED_WIDTH))))

   else:

   img = cv2.resize(image, (math.floor(w/(h/DESIRED_HEIGHT)), DESIRED_HEIGHT))

   cv2_imshow(img)

  # 预览图片.

  short_range_images = {name: cv2.imread(name)

  for name in uploaded_short_range.keys()}

  for name, image in short_range_images.items():

   print(name)

   resize_and_show(image)

  full_range_images = {name: cv2.imread(name)

  for name in uploaded_full_range.keys()}

  for name, image in full_range_images.items():

   print(name)

   resize_and_show(image)

  上述代码的输出示例

  

  现在,我们将在脸上画关键点。

  我们可以如下更改thickness和circle_radius的值。

  

drawing_spec = mp_drawing.DrawingSpec(thickness=1, circle_radius=1)

  以下代码了解mp.solutions.face_detection的详细信息。

  

help(mp_face_detection.FaceDetection)

  在此之后,我们将创建一个FaceDetection类的对象。该对象将允许我们处理图像并执行人脸关键点检测。此类的构造函数支持以下参数:

  (i) 模型选择:整数索引0或1。使用0选择最适合距离摄影机2米以内的面的短距离模型,使用1选择最适合距离摄影机5米以内的面的全范围模型。对于全范围选项,稀疏模型用于提高推理速度。

  (ii)最小检测置信度:人脸检测模型中的最小置信值([0.0,1.0]),检测成功。默认值为0.5。

  

with mp_face_detection.FaceDetection(min_detection_confidence=0.5, model_selection=0) as face_detection:

  上面的代码model_selection=0,这意味着我们选择短距离模型进行人脸检测。使用下面的代码,我们使用一个简短的图像模型执行最终的人脸检测,并绘制关键点。

  

# 运行MediaPipe人脸检测与近距离模型

  with mp_face_detection.FaceDetection(

   min_detection_confidence=0.5, model_selection=0) as face_detection:

   for name, image in short_range_images.items():

   # 将BGR图像转换为RGB,并使用MediaPipe人脸检测进行处理。

   results = face_detection.process(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))

   # 绘制每个人脸的检测。

   print(fFace detections of {name}:)

   if not results.detections:

   continue

   annotated_image = image.copy()

   for detection in results.detections:

   mp_drawing.draw_detection(annotated_image, detection)

   resize_and_show(annotated_image)

  短长度(2米以内)图像的人脸检测模型

  

  现在对于model_selection=1,这意味着我们选择人脸检测全范围模型。使用下面的代码,我们使用完整的图像模型执行最终的人脸检测,并绘制关键点。

  

with mp_face_detection.FaceDetection(

   min_detection_confidence=0.5, model_selection=1) as face_detection:

   for name, image in full_range_images.items():

   # 将BGR图像转换为RGB,并使用MediaPipe人脸检测进行处理。

   results = face_detection.process(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))

   # 绘制每个人脸的检测。

   print(fFace detections of {name}:)

   if not results.detections:

   continue

   annotated_image = image.copy()

   for detection in results.detections:

   mp_drawing.draw_detection(annotated_image, detection)

   resize_and_show(annotated_image)

  全范围(5米以内)图像的人脸检测模型

  

  我们还可以使用全范围人脸检测模型的代码对集体照片执行此过程。

  

  下面关于algoscale的文章将向你展示使用OpenCV和MediaPipe姿势估计。

  使用OpenCV和MediaPipe进行训练姿势估计:

  https://algoscale.com/tech-corner/workout-pose-estimation-using-opencv-and-mediapipe/

  到此这篇关于Python+MediaPipe实现检测人脸功能详解的文章就介绍到这了,更多相关Python MediaPipe检测人脸内容请搜索盛行IT软件开发工作室以前的文章或继续浏览下面的相关文章希望大家以后多多支持盛行IT软件开发工作室!

郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。

留言与评论(共有 条评论)
   
验证码: