基于MTCNN/TensorFlow实现人脸检测

技术  /  管理员 发布于 7年前   336

人脸检测方法有许多，比如opencv自带的人脸Haar特征分类器和dlib人脸检测方法等。对于opencv的人脸检测方法，有点是简单，快速；存在的问题是人脸检测效果不好。正面/垂直/光线较好的人脸，该方法可以检测出来，而侧面/歪斜/光线不好的人脸，无法检测。因此，该方法不适合现场应用。对于dlib人脸检测方法 ，效果好于opencv的方法，但是检测力度也难以达到现场应用标准。

MTCNN是基于深度学习的人脸检测方法，对自然环境中光线，角度和人脸表情变化更具有鲁棒性，人脸检测效果更好；同时，内存消耗不大，可以实现实时人脸检测。

代码如下：

from scipy import misc import tensorflow as tf import detect_face import cv2 import matplotlib.pyplot as plt %pylab inline  minsize = 20 # minimum size of face threshold = [ 0.6, 0.7, 0.7 ] # three steps's threshold factor = 0.709 # scale factor gpu_memory_fraction=1.0   print('Creating networks and loading parameters')  with tf.Graph().as_default():     gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=gpu_memory_fraction)     sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options, log_device_placement=False))     with sess.as_default():       pnet, rnet, onet = detect_face.create_mtcnn(sess, None)  image_path = '/home/cqh/faceData/multi_face/multi_face3.jpg'        img = misc.imread(image_path)       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))  print(bounding_boxes)  crop_faces=[] for face_position in bounding_boxes:   face_position=face_position.astype(int)   print(face_position[0:4])   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],]      crop = cv2.resize(crop, (96, 96), interpolation=cv2.INTER_CUBIC )   print(crop.shape)   crop_faces.append(crop)   plt.imshow(crop)   plt.show()    plt.imshow(img) plt.show() 

实验效果如下：

  

再上一组效果图：

 关于MTCNN，更多资料可以点击链接

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。