Détection de visage avec Python + dlib

Installation

CMAKE, Boost, Boost Python, G ++ et plus sont nécessaires avant d'installer dlib

Présentation d'OpenCV et de dlib sur Ubuntu

Mettez OpenCV / scikit-image dans l'entrée / sortie du fichier image Cette fois, j'utilise OpenCV

code

Vous pouvez obtenir un score facial avec dlib On a l'impression qu'il détectera même s'il est légèrement incliné, donc même si vous le détectez en le faisant tourner, l'angle de rotation peut être d'environ 45 degrés chacun. J'ai essayé le dépistage avec un score un peu faible (valeur CUT_OFF) et j'ai pensé qu'il serait possible d'ajuster l'angle pour que le score soit élevé tout en faisant pivoter la zone rétrécie, mais cela prend trop de temps Le type qui apparaît dans le résultat de la détection semble correspondre au type de détecteur (que le visage soit de face ou de côté?) Lorsque vous commentez, 68 points caractéristiques sont extraits du visage détecté Si vous savez quels points correspondent aux yeux, au nez et au contour, vous pouvez l'améliorer un peu plus.

`detect_face.py`


# -*- coding: utf-8 -*-

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import os, sys, imghdr, shutil, dlib, cv2

CWD = os.getcwd()
DIR_ORIGIN = CWD + '/images/'
DIR_DESTINATION = CWD + '/faces/'
CUT_OFF = -0.1

detector = dlib.get_frontal_face_detector()
# predictor = dlib.shape_predictor('./shape_predictor_68_face_landmarks.dat')

def getFaces(path_full):
    results = []
    image = cv2.imread(path_full)
    height, width = image.shape[:2]
    rects, scores, types = detector.run(image, 1, CUT_OFF)
    for i, rect in enumerate(rects):
        top, bottom, left, right = rect.top(), rect.bottom(), rect.left(), rect.right()
        if min(top, height - bottom - 1, left, width - right - 1) < 0:
            continue
        results.append({
            'image'       : image[top : bottom, left : right],
            'score'       : scores[i],
            'orientation' : types[i]
        })
        # shape = predictor(image, rect)
        # for i in range(shape.num_parts):
        #     print(shape.part(i))
    return results

count = 1
for path, subdirs, files in os.walk(DIR_ORIGIN):
    for name in files:
            path_full = os.path.join(path, name)
            if imghdr.what(path_full) in ['jpeg']:
                faces = getFaces(path_full)
                for face in faces:
                    file_name = '{destination_dir}/{score}_{type}_{count}_dlib.jpg'.format(
                        destination_dir = DIR_DESTINATION,
                        score = face['score'],
                        type = int(face['orientation']),
                        count = count
                    )
                    cv2.imwrite(file_name, face['image'], [cv2.IMWRITE_JPEG_QUALITY, 100])
                    count += 1
                print(path_full)

Site de référence

Publier le savoir-faire de création d'un service de recherche d'images similaire pour les actrices audiovisuelles par apprentissage profond par chainer

Programme de détection de visage qui relie OpenCV et dlib

Bibliothèque d'apprentissage automatique dlib

OpenFace 0.2.0: Higher accuracy and halved execution time

Résumé des résultats de la détection des visages avec OpenCV, Dlib et OpenFace

Comment créer un ensemble de données d'image de visage utilisé dans l'apprentissage automatique (3: Génération d'images de visage à partir d'images candidates 1)