HAAR与DLib的实时人脸检测之实现与对比 (2)

以下是本例的全部代码：

# coding=utf-8 # ~/learn_face/cv_dlib.py from __future__ import print_function import cv2 import dlib cameraCapture = cv2.VideoCapture(0) success, frame = cameraCapture.read() detector = dlib.get_frontal_face_detector() while success and cv2.waitKey(1) == -1: success, frame = cameraCapture.read() faces = detector(frame, 1) for k, d in enumerate(faces): frame = cv2.rectangle(frame, (d.left(), d.top()), (d.right(), d.bottom()), (255, 0, 0), 2) cv2.imshow("Camera", frame) cameraCapture.release() cv2.destroyAllWindows()

运行上述代码后会发现dlib的效果真的比HAAR的检测效果要好很多！不管头怎么转都能瞬间识别到，画出来的矩形框都不带闪的！

特征点检测

接下来我们用DLib的特征点提取器detector所识别出来的人脸轮廓点给标记出来。关键点（landmarks）提取需要一个特征提取器predictor，为了构建特征提取器，预训练模型必不可少。除了自行进行训练外，可以使用官方提供的一个模型。该模型可从dlib sourceforge 库下载，此模型是从人脸中提出64个特征点进行检测，其准确度相当高。

具体实现思路如下：

第一步：生成灰度图

第二步：生成直方图

第三步：进行检测

以下为全部代码

# coding=utf-8 # ~/learn_face/landmark.py import cv2 import dlib cameraCapture = cv2.VideoCapture(0) success, frame = cameraCapture.read() detector = dlib.get_frontal_face_detector() predictor = dlib.shape_predictor( "shape_predictor_68_face_landmarks.dat") while success and cv2.waitKey(1) == -1: success, frame = cameraCapture.read() gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) #生成灰度图 clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8)) #生成直方图 clahe_image = clahe.apply(gray) detections = detector(clahe_image, 1) for k, d in enumerate(detections): shape = predictor(clahe_image, d) # 获取坐标 for i in range(1, 68): # 每张脸都有68个识别点 cv2.circle(frame, (shape.part(i).x, shape.part(i).y), 1, (0, 0, 255), thickness=2) cv2.imshow("Camera", frame) cameraCapture.release() cv2.destroyAllWindows()

运行效果：

小结

我在macBookPro上跑以上的代码在速度是上没有什么很大区别的，至少不会产生卡顿。但如果换将代码植到树莓3和树莓Zero上区别就明显了，HAAR分类器在树梅Zero上的运行时间平均在1.2s左右，而dlib则需要8s。至于准确率Dlib又明显会优于HAAR。