关键词：
继续此前的文章，使用vlc播放了rtsp流媒体视频后，想检测视频中的人脸，之前采用了opencv但是遇到低头、抬头和侧脸时候，效果就不太好。所以本篇介绍如何使用mtcnn来检测视频中的人脸。
在这里也免费发布了一个chat 希望朋友能点击一下，免费的噢！
https://gitbook.cn/gitchat/activity/5c2050fb1c648b470dce1615
大致流程：
一、Tensorflow 模型固化
将PNet、ONet、RNet 网络参数.npy固化成.pb格式，方便java载入， 固化后的文件在assets中，文件名mtcnn_freezed_model.pb。
二、引入android tensorflow lite 库
只需在build.gradle(module)最后添加以下几行语句即可。
dependencies
implementation fileTree(include: ['*.jar'], dir: 'libs')
implementation 'com.android.support:appcompat-v7:27.1.1'
implementation 'com.android.support.constraint:constraint-layout:1.1.3'
testImplementation 'junit:junit:4.12'
androidTestImplementation 'com.android.support.test:runner:1.0.2'
androidTestImplementation 'com.android.support.test.espresso:espresso-core:3.0.2'
compile(name: 'libvlc-3.0.0', ext: 'aar')
implementation files('libs/androidutils.jar')
compile 'org.tensorflow:tensorflow-android:+'
implementation files('libs/libutils.jar')
三、新建MTCNN类
该类包含加载模型文件，并检测bitmap中的人脸
package com.cayden.face.facenet;
import android.content.res.AssetManager;
import android.graphics.Bitmap;
import android.graphics.Matrix;
import android.graphics.Point;
import android.util.Log;
import com.cayden.face.FaceApplication;
import org.tensorflow.contrib.android.TensorFlowInferenceInterface;
import java.util.Vector;
import static java.lang.Math.max;
import static java.lang.Math.min;
/**
* Created by caydencui on 2018/9/6.
*/
public class MTCNN
//参数
private float factor=0.709f;
private float PNetThreshold=0.6f;
private float RNetThreshold=0.7f;
private float ONetThreshold=0.7f;
//MODEL PATH
private static final String MODEL_FILE = "file:///android_asset/mtcnn_freezed_model.pb";
//tensor name
private static final String PNetInName ="pnet/input:0";
private static final String[] PNetOutName =new String[]"pnet/prob1:0","pnet/conv4-2/BiasAdd:0";
private static final String RNetInName ="rnet/input:0";
private static final String[] RNetOutName =new String[] "rnet/prob1:0","rnet/conv5-2/conv5-2:0",;
private static final String ONetInName ="onet/input:0";
private static final String[] ONetOutName =new String[] "onet/prob1:0","onet/conv6-2/conv6-2:0","onet/conv6-3/conv6-3:0";
private static class SingletonInstance
private static final MTCNN INSTANCE = new MTCNN();
public static MTCNN getInstance()
return SingletonInstance.INSTANCE;
//安卓相关
public long lastProcessTime; //最后一张图片处理的时间ms
private static final String TAG="MTCNN";
private AssetManager assetManager;
private TensorFlowInferenceInterface inferenceInterface;
private MTCNN()
assetManager= FaceApplication.getMyApplication().getAssets();
loadModel();
private boolean loadModel()
//AssetManager
try
inferenceInterface = new TensorFlowInferenceInterface(assetManager, MODEL_FILE);
Log.d("MTCNN","[*]load model success");
catch(Exception e)
Log.e("MTCNN","[*]load model failed"+e);
return false;
return true;
//读取Bitmap像素值，预处理(-127.5 /128)，转化为一维数组返回
private float[] normalizeImage(Bitmap bitmap)
int w=bitmap.getWidth();
int h=bitmap.getHeight();
float[] floatValues=new float[w*h*3];
int[] intValues=new int[w*h];
bitmap.getPixels(intValues,0,bitmap.getWidth(),0,0,bitmap.getWidth(),bitmap.getHeight());
float imageMean=127.5f;
float imageStd=128;
for (int i=0;i<intValues.length;i++)
final int val=intValues[i];
floatValues[i * 3 + 0] = (((val >> 16) & 0xFF) - imageMean) / imageStd;
floatValues[i * 3 + 1] = (((val >> 8) & 0xFF) - imageMean) / imageStd;
floatValues[i * 3 + 2] = ((val & 0xFF) - imageMean) / imageStd;
return floatValues;
/*
检测人脸,minSize是最小的人脸像素值
*/
private Bitmap bitmapResize(Bitmap bm, float scale)
int width = bm.getWidth();
int height = bm.getHeight();
// CREATE A MATRIX FOR THE MANIPULATION。matrix指定图片仿射变换参数
Matrix matrix = new Matrix();
// RESIZE THE BIT MAP
matrix.postScale(scale, scale);
Bitmap resizedBitmap = Bitmap.createBitmap(
bm, 0, 0, width, height, matrix, true);
return resizedBitmap;
//输入前要翻转，输出也要翻转
private int PNetForward(Bitmap bitmap, float [][]PNetOutProb, float[][][]PNetOutBias)
int w=bitmap.getWidth();
int h=bitmap.getHeight();
float[] PNetIn=normalizeImage(bitmap);
Utils.flip_diag(PNetIn,h,w,3); //沿着对角线翻转
inferenceInterface.feed(PNetInName,PNetIn,1,w,h,3);
inferenceInterface.run(PNetOutName,false);
int PNetOutSizeW=(int) Math.ceil(w*0.5-5);
int PNetOutSizeH=(int) Math.ceil(h*0.5-5);
float[] PNetOutP=new float[PNetOutSizeW*PNetOutSizeH*2];
float[] PNetOutB=new float[PNetOutSizeW*PNetOutSizeH*4];
inferenceInterface.fetch(PNetOutName[0],PNetOutP);
inferenceInterface.fetch(PNetOutName[1],PNetOutB);
//【写法一】先翻转，后转为2/3维数组
Utils.flip_diag(PNetOutP,PNetOutSizeW,PNetOutSizeH,2);
Utils.flip_diag(PNetOutB,PNetOutSizeW,PNetOutSizeH,4);
Utils.expand(PNetOutB,PNetOutBias);
Utils.expandProb(PNetOutP,PNetOutProb);
/*
*【写法二】这个比较快，快了3ms。意义不大，用上面的方法比较直观
for (int y=0;y<PNetOutSizeH;y++)
for (int x=0;x<PNetOutSizeW;x++)
int idx=PNetOutSizeH*x+y;
PNetOutProb[y][x]=PNetOutP[idx*2+1];
for(int i=0;i<4;i++)
PNetOutBias[y][x][i]=PNetOutB[idx*4+i];
*/
return 0;
//Non-Maximum Suppression
//nms，不符合条件的deleted设置为true
private void nms(Vector<Box> boxes, float threshold, String method)
//NMS.两两比对
//int delete_cnt=0;
for(int i=0;i<boxes.size();i++)
Box box = boxes.get(i);
if (!box.deleted)
//score<0表示当前矩形框被删除
for (int j = i + 1; j < boxes.size(); j++)
Box box2=boxes.get(j);
if (!box2.deleted)
int x1 = max(box.box[0], box2.box[0]);
int y1 = max(box.box[1], box2.box[1]);
int x2 = min(box.box[2], box2.box[2]);
int y2 = min(box.box[3], box2.box[3]);
if (x2 < x1 || y2 < y1) continue;
int areaIoU = (x2 - x1 + 1) * (y2 - y1 + 1);
float iou=0f;
if (method.equals("Union"))
iou = 1.0f*areaIoU / (box.area() + box2.area() - areaIoU);
else if (method.equals("Min"))
iou= 1.0f*areaIoU / (min(box.area(),box2.area()));
if (iou >= threshold) //删除prob小的那个框
if (box.score>box2.score)
box2.deleted=true;
else
box.deleted=true;
//delete_cnt++;
//Log.i(TAG,"[*]sum:"+boxes.size()+" delete:"+delete_cnt);
private int generateBoxes(float[][] prob,float[][][]bias,float scale,float threshold,Vector<Box> boxes)
int h=prob.length;
int w=prob[0].length;
//Log.i(TAG,"[*]height:"+prob.length+" width:"+prob[0].length);
for (int y=0;y<h;y++)
for (int x=0;x<w;x++)
float score=prob[y][x];
//only accept prob >threadshold(0.6 here)
if (score>PNetThreshold)
Box box=new Box();
//score
box.score=score;
//box
box.box[0]= Math.round(x*2/scale);
box.box[1]= Math.round(y*2/scale);
box.box[2]= Math.round((x*2+11)/scale);
box.box[3]= Math.round((y*2+11)/scale);
//bbr
for(int i=0;i<4;i++)
box.bbr[i]=bias[y][x][i];
//add
boxes.addElement(box);
return 0;
private void BoundingBoxReggression(Vector<Box> boxes)
for (int i=0;i<boxes.size();i++)
boxes.get(i).calibrate();
//Pnet + Bounding Box Regression + Non-Maximum Regression
/* NMS执行完后，才执行Regression
* (1) For each scale , use NMS with threshold=0.5
* (2) For all candidates , use NMS with threshold=0.7
* (3) Calibrate Bounding Box
* 注意：CNN输入图片最上面一行，坐标为[0..width,0]。所以Bitmap需要对折后再跑网络;网络输出同理.
*/
private Vector<Box> PNet(Bitmap bitmap, int minSize)
int whMin=min(bitmap.getWidth(),bitmap.getHeight());
float currentFaceSize=minSize; //currentFaceSize=minSize/(factor^k) k=0,1,2... until excced whMin
Vector<Box> totalBoxes=new Vector<Box>();
//【1】Image Paramid and Feed to Pnet
while (currentFaceSize<=whMin)
float scale=12.0f/currentFaceSize;
//(1)Image Resize
Bitmap bm=bitmapResize(bitmap,scale);
int w=bm.getWidth();
int h=bm.getHeight();
//(2)RUN CNN
int PNetOutSizeW=(int)(Math.ceil(w*0.5-5)+0.5);
int PNetOutSizeH=(int)(Math.ceil(h*0.5-5)+0.5);
float[][] PNetOutProb=new float[PNetOutSizeH][PNetOutSizeW];;
float[][][] PNetOutBias=new float[PNetOutSizeH][PNetOutSizeW][4];
PNetForward(bm,PNetOutProb,PNetOutBias);
//(3)数据解析
Vector<Box> curBoxes=new Vector<Box>();
generateBoxes(PNetOutProb,PNetOutBias,scale,PNetThreshold,curBoxes);
//Log.i(TAG,"[*]CNN Output Box number:"+curBoxes.size()+" Scale:"+scale);
//(4)nms 0.5
nms(curBoxes,0.5f,"Union");
//(5)add to totalBoxes
for (int i=0;i<curBoxes.size();i++)
if (!curBoxes.get(i).deleted)
totalBoxes.addElement(curBoxes.get(i));
//Face Size等比递增
currentFaceSize/=factor;
//NMS 0.7
nms(totalBoxes,0.7f,"Union");
//BBR
BoundingBoxReggression(totalBoxes);
return Utils.updateBoxes(totalBoxes);
//截取box中指定的矩形框(越界要处理)，并resize到size*size大小，返回数据存放到data中。
public Bitmap tmp_bm;
private void crop_and_resize(Bitmap bitmap, Box box, int size, float[] data)
//(2)crop and resize
Matrix matrix = new Matrix();
float scale=1.0f*size/box.width();
matrix.postScale(scale, scale);
Bitmap croped= Bitmap.createBitmap(bitmap, box.left(),box.top(),box.width(), box.height(),matrix,true);
//(3)save
int[] pixels_buf=new int[size*size];
croped.getPixels(pixels_buf,0,croped.getWidth(),0,0,croped.getWidth(),croped.getHeight());
float imageMean=127.5f;
float imageStd=128;
for (int i=0;i<pixels_buf.length;i++)
final int val=pixels_buf[i];
data[i * 3 + 0] = (((val >> 16) & 0xFF) - imageMean) / imageStd;
data[i * 3 + 1] = (((val >> 8) & 0xFF) - imageMean) / imageStd;
data[i * 3 + 2] = ((val & 0xFF) - imageMean) / imageStd;
/*
* RNET跑神经网络，将score和bias写入boxes
*/
private void RNetForward(float[] RNetIn,Vector<Box> boxes)
int num=RNetIn.length/24/24/3;
//feed & run
inferenceInterface.feed(RNetInName,RNetIn,num,24,24,3);
inferenceInterface.run(RNetOutName,false);
//fetch
float[] RNetP=new float[num*2];
float[] RNetB=new float[num*4];
inferenceInterface.fetch(RNetOutName[0],RNetP);
inferenceInterface.fetch(RNetOutName[1],RNetB);
//转换
for (int i=0;i<num;i++)
boxes.get(i).score = RNetP[i * 2 + 1];
for (int j=0;j<4;j++)
boxes.get(i).bbr[j]=RNetB[i*4+j];
//Refine Net
private Vector<Box> RNet(Bitmap bitmap, Vector<Box> boxes)
//RNet Input Init
int num=boxes.size();
float[] RNetIn=new float[num*24*24*3];
float[] curCrop=new float[24*24*3];
int RNetInIdx=0;
for (int i=0;i<num;i++)
crop_and_resize(bitmap,boxes.get(i),24,curCrop);
Utils.flip_diag(curCrop,24,24,3);
//Log.i(TAG,"[*]Pixels values:"+curCrop[0]+" "+curCrop[1]);
for (int j=0;j<curCrop.length;j++) RNetIn[RNetInIdx++]= curCrop[j];
//Run RNet
RNetForward(RNetIn,boxes);
//RNetThreshold
for (int i=0;i<num;i++)
if (boxes.get(i).score<RNetThreshold)
boxes.get(i).deleted=true;
//Nms
nms(boxes,0.7f,"Union");
BoundingBoxReggression(boxes);
return Utils.updateBoxes(boxes);
/*
* ONet跑神经网络，将score和bias写入boxes
*/
private void ONetForward(float[] ONetIn,Vector<Box> boxes)
int num=ONetIn.length/48/48/3;
//feed & run
inferenceInterface.feed(ONetInName,ONetIn,num,48,48,3);
inferenceInterface.run(ONetOutName,false);
//fetch
float[] ONetP=new float[num*2]; //prob
float[] ONetB=new float[num*4]; //bias
float[] ONetL=new float[num*10]; //landmark
inferenceInterface.fetch(ONetOutName[0],ONetP);
inferenceInterface.fetch(ONetOutName[1],ONetB);
inferenceInterface.fetch(ONetOutName[2],ONetL);
//转换
for (int i=0;i<num;i++)
//prob
boxes.get(i).score = ONetP[i * 2 + 1];
//bias
for (int j=0;j<4;j++)
boxes.get(i).bbr[j]=ONetB[i*4+j];
//landmark
for (int j=0;j<5;j++)
int x=boxes.get(i).left()+(int) (ONetL[i * 10 + j]*boxes.get(i).width());
int y= boxes.get(i).top()+(int) (ONetL[i * 10 + j +5]*boxes.get(i).height());
boxes.get(i).landmark[j] = new Point(x,y);
//Log.i(TAG,"[*] landmarkd "+x+ " "+y);
//ONet
private Vector<Box> ONet(Bitmap bitmap, Vector<Box> boxes)
//ONet Input Init
int num=boxes.size();
float[] ONetIn=new float[num*48*48*3];
float[] curCrop=new float[48*48*3];
int ONetInIdx=0;
for (int i=0;i<num;i++)
crop_and_resize(bitmap,boxes.get(i),48,curCrop);
Utils.flip_diag(curCrop,48,48,3);
for (int j=0;j<curCrop.length;j++) ONetIn[ONetInIdx++]= curCrop[j];
//Run ONet
ONetForward(ONetIn,boxes);
//ONetThreshold
for (int i=0;i<num;i++)
if (boxes.get(i).score<ONetThreshold)
boxes.get(i).deleted=true;
BoundingBoxReggression(boxes);
//Nms
nms(boxes,0.7f,"Min");
return Utils.updateBoxes(boxes);
private void square_limit(Vector<Box> boxes, int w, int h)
//square
for (int i=0;i<boxes.size();i++)
boxes.get(i).toSquareShape();
boxes.get(i).limit_square(w,h);
/*
* 参数：
* bitmap:要处理的图片
* minFaceSize:最小的人脸像素值.(此值越大，检测越快)
* 返回：
* 人脸框
*/
public Vector<Box> detectFaces(Bitmap bitmap, int minFaceSize)
long t_start = System.currentTimeMillis();
//【1】PNet generate candidate boxes
Vector<Box> boxes=PNet(bitmap,minFaceSize);
square_limit(boxes,bitmap.getWidth(),bitmap.getHeight());
//【2】RNet
boxes=RNet(bitmap,boxes);
square_limit(boxes,bitmap.getWidth(),bitmap.getHeight());
//【3】ONet
boxes=ONet(bitmap,boxes);
//return
Log.i(TAG,"[*]Mtcnn Detection Time:"+(System.currentTimeMillis()-t_start));
lastProcessTime=(System.currentTimeMillis()-t_start);
return boxes;
四、视频流数据处理
由于vlc播放的流媒体视频格式是nv12，需要将其转为nv21，并保存为bitmap
- 1、首先给出nv12转为nv21方法
private void NV12ToNV21(byte[] nv12, byte[] nv21, int width, int height)
if (nv21 == null || nv12 == null) return;
int framesize = width * height;
int i = 0, j = 0;
//System.arraycopy(nv21, test, nv12, test, framesize);
for (i = 0; i < framesize; i++)
nv21[i] = nv12[i];
for (j = 0; j < framesize / 2; j += 2)
nv21[framesize + j] = nv12[j + framesize + 1];
for (j = 0; j < framesize / 2; j += 2)
nv21[framesize + j + 1] = nv12[j + framesize];
- 2、然后给出nv21高效率转换为bitmap的方法
可以查看此前的一篇文章 nv21高效率转换为bitmap - 3、调用mtcnn的人脸检测方法
Vector boxes = mtcnn.detectFaces(bitmap, 20);
- 4、根据返回的数据 ，标记人脸
protected void drawAnim(Vector<Box> faces, SurfaceView outputView, float scale_bit, int cameraId, String fps)
Paint paint = new Paint();
Canvas canvas = ((SurfaceView) outputView).getHolder().lockCanvas();
if (canvas != null)
try
int viewH = outputView.getHeight();
int viewW = outputView.getWidth();
// DLog.d("viewW:"+viewW+",viewH:"+viewH);
canvas.drawColor(0, PorterDuff.Mode.CLEAR);
if (faces == null || faces.size() == 0) return;
for (int i = 0; i < faces.size(); i++)
paint.setColor(Color.BLUE);
int size = DisplayUtil.dip2px(this, 3);
paint.setStrokeWidth(size);
paint.setStyle(Paint.Style.STROKE);
Box box = faces.get(i);
float[] rect = box.transform2float();
float x1 = rect[0] * scale_bit;
float y1 = rect[1] * scale_bit;
float rect_width = rect[2] * 0.5F;
RectF rectf = new RectF(x1, y1, x1 + rect_width, y1 + rect_width);
canvas.drawRect(rectf, paint);
catch (Exception e)
e.printStackTrace();
finally
((SurfaceView) outputView).getHolder().unlockCanvasAndPost(canvas);
项目源码
https://github.com/cayden/facesample
本项目主要基于vlc来播放流媒体视频
主要包含以下内容
- 1、使用已经编译的libvlc来播放流媒体视频
- 2、使用MTCNN进行人脸识别并标记人脸
- 3、保存标记的人脸图片
- 4、使用FACENET进行人脸比对
- 未完待续…
v1.0.2
- 1, 通过MTCNN检测人脸
- 2, 对人脸进行标记
v1.0.1
- 1, 获取返回的视频流数据
- 2, 将数据nv12转换为nv21,并保存图片
v1.0.0
- 1, added libvlc
- 2, support for playing rtsp video stream
感谢大家的阅读，也希望能转发并关注我的公众号
mtcnn人脸识别(代码片段)
...这里简单记录下MTCNN论文及Tensorflow的复现过程。感觉人脸检测属于目标检测下的一个方向，不过由通用目标检测改为人脸检测，即多分类改为2分类，且为小目标检测。而且人脸检测还加上了关键点检测，可以依靠关键点增加召... 查看详情
人脸检测和对齐算法mtcnn(代码片段)
...，为了做好人脸识别，第一步需要做的是对人脸检测，主要是通过对图片分析，定位出图片中的人脸。近年来，深度学习在人脸检测方面也得到了大力发展，在2016年KaipengZhang,ZhanpengZhang等人提出了人脸检测... 查看详情
人脸检测和对齐算法mtcnn(代码片段)
...，为了做好人脸识别，第一步需要做的是对人脸检测，主要是通过对图片分析，定位出图片中的人脸。近年来，深度学习在人脸检测方面也得到了大力发展，在2016年KaipengZhang,ZhanpengZhang等人提出了人脸检测... 查看详情
21个项目玩转深度学习：基于tensorflow的实践详解06—人脸检测和识别——mtcnn人脸检测(代码片段)
本篇主要讲述利用MTCNN的预训练模型得到原图中人脸的分割，代码如下：https://github.com/davidsandberg/facenet结合博客https://blog.csdn.net/FortiLZ/article/details/81396566?tdsourcetag=s_pctim_aiomsg看起来省力些要是对MTCNN的训练过程感兴趣的，可以看h... 查看详情
mtcnn实时人脸检测网络详解与opencv+tensorflow代码演示(代码片段)
MTCNN模型概述多任务卷积神经网络(MTCNN)实现人脸检测与对齐是在一个网络里实现了人脸检测与五点标定的模型，主要是通过CNN模型级联实现了多任务学习网络。整个模型分为三个阶段，第一阶段通过一个浅层的CNN网络快速产生一... 查看详情
使用tensorrt对人脸检测网络mtcnn进行加速(代码片段)
前言最近在做人脸比对的工作，需要用到人脸关键点检测的算法，比较成熟和通用的一种算法是MTCNN，可以同时进行人脸框选和关键点检测，对于每张脸输出5个关键点，可以用来进行人脸对齐。问题刚开始准备对齐人脸图片用于... 查看详情
人脸检测——mtcnn
本次介绍一篇速度还不错的人脸检测文章：《2016JointFaceDetectionandAlignmentusingMulti-taskCascadedConvolutionalNetworks》.源代码作者刚刚公布，效果相当不错（只有测试代码）：https://kpzhang93.github.io/MTCNN_face_d 查看详情
tensorflow 2.0中是不是有mtcnn人脸检测的实现？
】tensorflow2.0中是不是有mtcnn人脸检测的实现？【英文标题】：Isthereanyimplementationofmtcnnfacedetectionintensorflow2.0?tensorflow2.0中是否有mtcnn人脸检测的实现？【发布时间】：2020-01-0512:35:34【问题描述】：最近我搬到了tensorflow==2.0.0-rc0，现... 查看详情
C ++中的Mtcnn人脸对齐
...布时间】：2019-07-1802:21:28【问题描述】：我可以在mtcnn中检测人脸并拥有对齐所需的人脸点。我找不到一个很好的例子，如何将mtcnn中的面与c++对齐？如何在opencv中对齐人脸，我有眼睛、鼻子和嘴边的位置点？（来自mtcnn）谢谢【... 查看详情
人脸识别基于mctnn人脸检测（pytorch）(代码片段)
...别系统（一）MTCNN-知乎1、网络结构mtcnn算法人脸检测过程分为三个独立的stage，每一个stage对应一个卷积网络，分别 查看详情
什么是mtcnn人脸识别能力？
...】：我正在研究人脸识别的oneshot学习首先我必须在帧中检测人脸，我将它与mtcnn一起使用，但它不能正常工作......我想知道mtcnn的力量。它可以识别不同照明的半脸和三张脸吗？现在最好的人脸检测模型是什么？【问题讨论】：... 查看详情
如何保存 mtcnn 检测到的带有红色边界框的图像？
】如何保存mtcnn检测到的带有红色边界框的图像？【英文标题】：Howtosavetheimagewiththeredboundingboxesonitdetectedbymtcnn?【发布时间】：2021-07-2021:38:12【问题描述】：我有这段代码，其中mtcnn检测图像上的人脸，在每个人脸周围绘制一个... 查看详情
MTCNN 与 DLIB 相比如何进行人脸检测？
】MTCNN与DLIB相比如何进行人脸检测？【英文标题】：HowdoesMTCNNperformvsDLIBforfacedetection?【发布时间】：2018-06-0910:18:46【问题描述】：我看到MTCNN被推荐，但没有看到DLIB和MTCNN的直接比较。我认为既然MTCNN使用神经网络，它可能更适... 查看详情
图像处理项目——人脸检测—视频(代码片段)
人脸检测 *开发环境为visualstudio2010*使用的是opencv中的Haart特征分类器，harrCascades*检测对象为视频中的人脸 一：主要步骤1.加载分类器，将人脸检测分类器和笑脸检测分类器放在项目目录中去2.调用detecMutiScale()函数检测，... 查看详情
人脸检测5种方法(代码片段)
...#xff0c;在学习人脸识别之前，我们先来简单学习下人脸检测的几种用法。常见的人脸检测方法大致有5种，Haar、Hog、CNN、SSD、MTCNN：注：本文章图片来源于网络相关构造检测器的文件：opencv/dataatmaster·opencv/opencv·... 查看详情
基于yolo的人脸检测与人脸对齐(代码片段)
...可以对对象的特征点进行回归，最常见的用例是人脸检测与人脸对齐同步完成。将人脸检测和人脸对齐同步完成，mtcnn已经做了类型的事情：由图可见,mtcnn使用了三个卷积神经网络实现了人脸检测和人脸对齐，而... 查看详情
基于opencv的视频处理-人脸检测(代码片段)
...3.2.7Lastedited:2023.2.7导读本文将使用Python、OpenCV对人脸进行检测，防止痴呆后忘了Quiet。目录基于OpenCV的视频处理-人脸检测拍摄影片检测人脸保存面孔和摘要视频输出运行中的管道作者有言基于OpenCV的视频处理-人脸检测目前可... 查看详情
视频人脸检测——dlib版(代码片段)
往期目录视频人脸检测——Dlib版（六）OpenCV添加中文（五）图片人脸检测——Dlib版（四）视频人脸检测——OpenCV版（三）图片人脸检测——OpenCV版（二）OpenCV环境搭建（一）更多更新，欢迎访问我的github：https://github.com/vipstone/... 查看详情