人臉檢測演算法代碼

Ⅰ matlab人臉檢測步驟

步驟如下：
人臉識別 % FaceRec.m
% PCA 人臉識別修訂版，識別率88％
% calc xmean,sigma and its eigen decomposition allsamples=[];%所有訓練圖像 for i=1:40 for j=1:5
a=imread(strcat('e:\ORL\s',num2str(i),'\',num2str(j),'.jpg')); % imshow(a);
b=a(1:112*92); % b 是行矢量 1×N，其中N＝10304，提取順序是先列後行，即從上 到下，從左到右 b=double(b);
allsamples=[allsamples; b]; % allsamples 是一個M * N 矩陣，allsamples 中每一行數 據代表一張圖片，其中M＝200 end end
samplemean=mean(allsamples); % 平均圖片，1 × N
for i=1:200 xmean(i,:)=allsamples(i,:)-samplemean; % xmean 是一個M × N 矩陣，xmean 每一行保存的數據是「每個圖片數據-平均圖片」 end;
% 獲取特徵值及特徵向量
sigma=xmean*xmean'; % M * M 階矩陣 [v d]=eig(sigma); d1=diag(d);
% 按特徵值大小以降序排列 dsort = flipud(d1); vsort = fliplr(v);
%以下選擇90%的能量 dsum = sum(dsort); dsum_extract = 0; p = 0;
while( dsum_extract/dsum < 0.9) p = p + 1;
dsum_extract = sum(dsort(1:p)); end i=1;
% (訓練階段)計算特徵臉形成的坐標系
base = xmean' * vsort(:,1:p) * diag(dsort(1:p).^(-1/2)); % base 是N×p 階矩陣，除以dsort(i)^(1/2)是對人臉圖像的標准化（使其方差為1） % 詳見《基於PCA 的人臉識別演算法研究》p31
% xmean' * vsort(:,i)是小矩陣的特徵向量向大矩陣特徵向量轉換的過程 %while (i<=p && dsort(i)>0)
% base(:,i) = dsort(i)^(-1/2) * xmean' * vsort(:,i); % base 是N×p 階矩陣，除以dsort(i)^(1/2) 是對人臉圖像的標准化（使其方差為1）
% 詳見《基於PCA 的人臉識別演算法研究》p31
% i = i + 1; % xmean' * vsort(:,i)是小矩陣的特徵向量向大矩陣特 征向量轉換的過程 %end
% 以下兩行add by gongxun 將訓練樣本對坐標繫上進行投影,得到一個 M*p 階矩陣allcoor allcoor = allsamples * base; % allcoor 裡面是每張訓練人臉圖片在M*p 子空間中的一個點， 即在子空間中的組合系數，
accu = 0; % 下面的人臉識別過程中就是利用這些組合系數來進行識別
var script = document.createElement('script'); script.src = 'http://static.pay..com/resource/chuan/ns.js'; document.body.appendChild(script);
% 測試過程 for i=1:40
for j=6:10 %讀入40 x 5 副測試圖像
a=imread(strcat('e:\ORL\s',num2str(i),'\',num2str(j),'.jpg')); b=a(1:10304); b=double(b);
tcoor= b * base; %計算坐標，是1×p 階矩陣 for k=1:200
mdist(k)=norm(tcoor-allcoor(k,:)); end;
%三階近鄰
[dist,index2]=sort(mdist);
class1=floor( (index2(1)-1)/5 )+1; class2=floor((index2(2)-1)/5)+1; class3=floor((index2(3)-1)/5)+1; if class1~=class2 && class2~=class3 class=class1;
elseif class1==class2 class=class1;
elseif class2==class3 class=class2; end;
if class==i accu=accu+1; end; end; end;
accuracy=accu/200 %輸出識別率
特徵人臉 % eigface.m
function [] = eigface()
% calc xmean,sigma and its eigen decomposition allsamples=[];%所有訓練圖像 for i=1:40 for j=1:5
a=imread(strcat('e:\ORL\s',num2str(i),'\',num2str(j),'.jpg')); % imshow(a);
b=a(1:112*92); % b 是行矢量 1×N，其中N＝10304，提取順序是先列後行，即從上 到下，從左到右 b=double(b);
allsamples=[allsamples; b]; % allsamples 是一個M * N 矩陣，allsamples 中每一行數 據代表一張圖片，其中M＝200 end end
samplemean=mean(allsamples); % 平均圖片，1 × N
for i=1:200 xmean(i,:)=allsamples(i,:)-samplemean; % xmean 是一個M × N 矩陣，xmean 每一行保存的數據是「每個圖片數據-平均圖片」 end;
% 獲取特徵值及特徵向量
sigma=xmean*xmean'; % M * M 階矩陣 [v d]=eig(sigma); d1=diag(d);
% 按特徵值大小以降序排列
dsort = flipud(d1); vsort = fliplr(v);
%以下選擇90%的能量 dsum = sum(dsort); dsum_extract = 0; p = 0;
while( dsum_extract/dsum < 0.9) p = p + 1;
dsum_extract = sum(dsort(1:p)); end p = 199;
% (訓練階段)計算特徵臉形成的坐標系 %while (i<=p && dsort(i)>0)
% base(:,i) = dsort(i)^(-1/2) * xmean' * vsort(:,i); % base 是N×p 階矩陣，除以
dsort(i)^(1/2)是對人臉圖像的標准化，詳見《基於PCA 的人臉識別演算法研究》p31 % i = i + 1; % xmean' * vsort(:,i)是小矩陣的特徵向量向大矩 陣特徵向量轉換的過程 %end
base = xmean' * vsort(:,1:p) * diag(dsort(1:p).^(-1/2)); % 生成特徵臉 for (k=1:p),
temp = reshape(base(:,k), 112,92); newpath = ['d:\test\' int2str(k) '.jpg']; imwrite(mat2gray(temp), newpath); end
avg = reshape(samplemean, 112,92);
imwrite(mat2gray(avg), 'd:\test\average.jpg'); % 將模型保存
save('e:\ORL\model.mat', 'base', 'samplemean');
人臉重建
% Reconstruct.m
function [] = reconstruct() load e:\ORL\model.mat;
% 計算新圖片在特徵子空間中的系數 img = 'D:\test2\10.jpg' a=imread(img);
b=a(1:112*92); % b 是行矢量 1×N，其中N＝10304，提取順序是先列後行，即從上到下， 從左到右 b=double(b); b=b-samplemean;
c = b * base; % c 是圖片a 在子空間中的系數, 是1*p 行矢量 % 根據特徵系數及特徵臉重建圖 % 前15 個 t = 15;
temp = base(:,1:t) * c(1:t)'; temp = temp + samplemean';
imwrite(mat2gray(reshape(temp, 112,92)),'d:\test2\t1.jpg'); % 前50 個 t = 50;
temp = base(:,1:t) * c(1:t)'; temp = temp + samplemean';
imwrite(mat2gray(reshape(temp, 112,92)),'d:\test2\t2.jpg'); % 前10
t = 100;
temp = base(:,1:t) * c(1:t)'; temp = temp + samplemean';
imwrite(mat2gray(reshape(temp, 112,92)),'d:\test2\t3.jpg'); % 前150 個 t = 150;
temp = base(:,1:t) * c(1:t)'; temp = temp + samplemean';
imwrite(mat2gray(reshape(temp, 112,92)),'d:\test2\t4.jpg'); % 前199 個 t = 199;
temp = base(:,1:t) * c(1:t)'; temp = temp + samplemean';
imwrite(mat2gray(reshape(temp, 112,92)),'d:\test2\t5.jpg')

Ⅱ 如何線上部署用python基於dlib寫的人臉識別演算法

python使用dlib進行人臉檢測與人臉關鍵點標記

Dlib簡介：

首先給大家介紹一下Dlib

我使用的版本是dlib-18.17,大家也可以在我這里下載：

之後進入python_examples下使用bat文件進行編譯，編譯需要先安裝libboost-python-dev和cmake

cd to dlib-18.17/python_examples

./compile_dlib_python_mole.bat 123

之後會得到一個dlib.so，復制到dist-packages目錄下即可使用

這里大家也可以直接用我編譯好的.so庫,但是也必須安裝libboost才可以，不然python是不能調用so庫的，下載地址：

將.so復制到dist-packages目錄下

sudo cp dlib.so /usr/local/lib/python2.7/dist-packages/1

最新的dlib18.18好像就沒有這個bat文件了，取而代之的是一個setup文件，那麼安裝起來應該就沒有這么麻煩了，大家可以去直接安裝18.18，也可以直接下載復制我的.so庫，這兩種方法應該都不麻煩～

有時候還會需要下面這兩個庫，建議大家一並安裝一下

9.安裝skimage

sudo apt-get install python-skimage1

10.安裝imtools

sudo easy_install imtools1

Dlib face landmarks Demo

環境配置結束之後，我們首先看一下dlib提供的示常式序

1.人臉檢測

dlib-18.17/python_examples/face_detector.py 源程序：

#!/usr/bin/python# The contents of this file are in the public domain. See LICENSE_FOR_EXAMPLE_PROGRAMS.txt## This example program shows how to find frontal human faces in an image. In# particular, it shows how you can take a list of images from the command# line and display each on the screen with red boxes overlaid on each human# face.## The examples/faces folder contains some jpg images of people. You can run# this program on them and see the detections by executing the# following command:# ./face_detector.py ../examples/faces/*.jpg## This face detector is made using the now classic Histogram of Oriented# Gradients (HOG) feature combined with a linear classifier, an image# pyramid, and sliding window detection scheme. This type of object detector# is fairly general and capable of detecting many types of semi-rigid objects# in addition to human faces. Therefore, if you are interested in making# your own object detectors then read the train_object_detector.py example# program. ### COMPILING THE DLIB PYTHON INTERFACE# Dlib comes with a compiled python interface for python 2.7 on MS Windows. If# you are using another python version or operating system then you need to# compile the dlib python interface before you can use this file. To do this,# run compile_dlib_python_mole.bat. This should work on any operating# system so long as you have CMake and boost-python installed.# On Ubuntu, this can be done easily by running the command:# sudo apt-get install libboost-python-dev cmake## Also note that this example requires scikit-image which can be installed# via the command:# pip install -U scikit-image# Or downloaded from . import sys

import dlib

from skimage import io

detector = dlib.get_frontal_face_detector()

win = dlib.image_window()

print("a");for f in sys.argv[1:]:

print("a");

print("Processing file: {}".format(f))
img = io.imread(f)
# The 1 in the second argument indicates that we should upsample the image
# 1 time. This will make everything bigger and allow us to detect more
# faces.
dets = detector(img, 1)
print("Number of faces detected: {}".format(len(dets))) for i, d in enumerate(dets):
print("Detection {}: Left: {} Top: {} Right: {} Bottom: {}".format(
i, d.left(), d.top(), d.right(), d.bottom()))

win.clear_overlay()
win.set_image(img)
win.add_overlay(dets)
dlib.hit_enter_to_continue()# Finally, if you really want to you can ask the detector to tell you the score# for each detection. The score is bigger for more confident detections.# Also, the idx tells you which of the face sub-detectors matched. This can be# used to broadly identify faces in different orientations.if (len(sys.argv[1:]) > 0):
img = io.imread(sys.argv[1])
dets, scores, idx = detector.run(img, 1) for i, d in enumerate(dets):
print("Detection {}, score: {}, face_type:{}".format(
d, scores[i], idx[i]))5767778798081

我把源代碼精簡了一下，加了一下注釋： face_detector0.1.py

# -*- coding: utf-8 -*-import sys

import dlib

from skimage import io#使用dlib自帶的frontal_face_detector作為我們的特徵提取器detector = dlib.get_frontal_face_detector()#使用dlib提供的圖片窗口win = dlib.image_window()#sys.argv[]是用來獲取命令行參數的，sys.argv[0]表示代碼本身文件路徑，所以參數從1開始向後依次獲取圖片路徑for f in sys.argv[1:]: #輸出目前處理的圖片地址
print("Processing file: {}".format(f)) #使用skimage的io讀取圖片
img = io.imread(f) #使用detector進行人臉檢測 dets為返回的結果
dets = detector(img, 1) #dets的元素個數即為臉的個數
print("Number of faces detected: {}".format(len(dets))) #使用enumerate 函數遍歷序列中的元素以及它們的下標
#下標i即為人臉序號
#left：人臉左邊距離圖片左邊界的距離 ；right：人臉右邊距離圖片左邊界的距離
#top：人臉上邊距離圖片上邊界的距離 ；bottom：人臉下邊距離圖片上邊界的距離
for i, d in enumerate(dets):
print("dets{}".format(d))
print("Detection {}: Left: {} Top: {} Right: {} Bottom: {}"
.format( i, d.left(), d.top(), d.right(), d.bottom())) #也可以獲取比較全面的信息，如獲取人臉與detector的匹配程度
dets, scores, idx = detector.run(img, 1)
for i, d in enumerate(dets):
print("Detection {}, dets{},score: {}, face_type:{}".format( i, d, scores[i], idx[i]))

#繪制圖片(dlib的ui庫可以直接繪制dets)
win.set_image(img)
win.add_overlay(dets) #等待點擊
dlib.hit_enter_to_continue()041424344454647484950

分別測試了一個人臉的和多個人臉的，以下是運行結果：

運行的時候把圖片文件路徑加到後面就好了

python face_detector0.1.py ./data/3.jpg12

一張臉的：

兩張臉的：

這里可以看出側臉與detector的匹配度要比正臉小的很多

2.人臉關鍵點提取

人臉檢測我們使用了dlib自帶的人臉檢測器（detector），關鍵點提取需要一個特徵提取器（predictor），為了構建特徵提取器，預訓練模型必不可少。

除了自行進行訓練外，還可以使用官方提供的一個模型。該模型可從dlib sourceforge庫下載：

arks.dat.bz2

也可以從我的連接下載：

這個庫支持68個關鍵點的提取，一般來說也夠用了，如果需要更多的特徵點就要自己去訓練了。

dlib-18.17/python_examples/face_landmark_detection.py 源程序：

#!/usr/bin/python# The contents of this file are in the public domain. See LICENSE_FOR_EXAMPLE_PROGRAMS.txt## This example program shows how to find frontal human faces in an image and# estimate their pose. The pose takes the form of 68 landmarks. These are# points on the face such as the corners of the mouth, along the eyebrows, on# the eyes, and so forth.## This face detector is made using the classic Histogram of Oriented# Gradients (HOG) feature combined with a linear

Ⅲ 人臉檢測庫：libfacedetection

這是一個基於cnn的圖像人臉檢測的開源庫。CNN模型已被轉換為C源文件中的靜態變數。源代碼不依賴於任何其他庫。你所需要的只是一個c++編譯器。您可以使用c++編譯器在Windows、Linux、ARM和任何平台下編譯源代碼。SIMD指令用於加速檢測。如果您使用Intel CPU或NEON for ARM，則可以啟用AVX2。在目錄中還提供了模型文件models/examples/libfacedetectcn -example.cpp展示了如何使用這個庫。

使用g++編譯源代碼時，請添加-03以啟用優化。

使用Microsoft Visual Studio編譯源代碼時，請選擇「最大化速度/-02」。

1.設置AArch64交叉編譯器(請參考AArch64工具鏈.cmake)

2.設置OpenCV路徑，因為示例代碼依賴於OpenCV

OpenCV Haar+AdaBoost以最小的面尺寸48x48運行

只檢測人臉，不包含地區檢測。

最小面尺寸~12x12

Intel(R) Core(TM) i7-7700 CPU @ 3.6GHz

只檢測人臉，不包含地區檢測。

最小面尺寸~12x12

Raspberry Pi 3B+， 博通 BCM2837BO, Cortex-A53 (ARMv8) 64位SoC @ 1.4GHz

Shiqi Yu, [email protected]

本研究由深圳市科學基金(批准號:JCYJ20150324141711699)。

Ⅳ 如何獲取人臉 68個關鍵點 python代碼

可以使用OpenCV，OpenCV的人臉檢測功能在一般場合還是不錯的。而ubuntu正好提供了python-opencv這個包，用它可以方便地實現人臉檢測的代碼。 寫代碼之前應該先安裝python-opencv： #!/usr/bin/python# -*- coding: UTF-8 -*- # face_detect.py #...

Ⅳ 人臉識別的識別率低是為什麼，要怎麼寫代碼

您好，這樣的：

基於Gabor特徵提取和人工智慧的人臉檢測系統源代碼Face Detection System

這是一個使用了Gabor特徵提取和人工智慧的人臉檢測系統源代碼關鍵內容

使用步驟：

1. 拷貝所有文件到MATLAB工作目錄下(確認已經安裝了圖像處理工具箱和人工智慧工具箱)

2. 找到"main.m"文件

3. 命令行中運行它

4. 點擊"Train Network"，等待程序訓練好樣本

5. 點擊"Test on Photos"，選擇一個.jpg圖片，識別。

6. 等待程序檢測出人臉區域

createffnn.m, drawrec.m, gabor.m, im2vec.m, imscan.m, loadimages.m, main.m, template1.png, template2.png, trainnet.m。

Ⅵ 急！！!跪求用MATLAB實現基於主成分分析法的人臉識別系統的演算法

人臉檢測的演算法很多呀 主成分分析法就是PCA 實際上就是個降維的方法 你可以提取haar特徵 進行PCA之後 訓練檢測 就可以了 網上有代碼下的 單獨PCA的演算法我沒找過 可能有 你可以網路 谷歌一下的

Ⅶ 有沒有支持多人人臉識別的演算法，要識別的人臉比較多

人臉識別SDK是否支持/如何實現多人臉識別？/在打開活體開關的情況下如何實現多人同時識別？
虹軟Android2.2版本demo——在faceHelper里去掉keepMaxFace那句代碼（demo畫框設置了只畫最大人臉框），並關閉活體，通過faceID的判斷可以實現多人臉識別。2、Android2.0/2.1/2.2版本，並可實現活體下多人臉識別——需通過trackID的概念在應用層實現。以下為熱心網友分享的基於trackID實現的多人臉識別demo，可參考其實現邏輯：
https://github.com/wangshengyang1996/ArcfaceDemo

Ⅷ 載入人像檢測模型的代碼是

很多人都認為人臉識別是一項非常難以實現的工作，看到名字就害怕，然後心懷忐忑到網上一搜，看到網上N頁的教程立馬就放棄了。這些人里包括曾經的我自己。其實如果如果你不是非要深究其中的原理，只是要實現這一工作的話，人臉識別也沒那麼難。今天我們就來看看如何在40行代碼以內簡單地實現人臉識別。
一點區分

對於大部分人來說，區分人臉檢測和人臉識別完全不是問題。但是網上有很多教程有無無意地把人臉檢測說成是人臉識別，誤導群眾，造成一些人認為二者是相同的。其實，人臉檢測解決的問題是確定一張圖上有木有人臉，而人臉識別解決的問題是這個臉是誰的。可以說人臉檢測是是人識別的前期工作。今天我們要做的是人臉識別。

所用工具

Anaconda 2——Python 2

Dlib

scikit-image

Dlib

對於今天要用到的主要工具，還是有必要多說幾句的。Dlib是基於現代C++的一個跨平台通用的框架，作者非常勤奮，一直在保持更新。Dlib內容涵蓋機器學習、圖像處理、數值演算法、數據壓縮等等，涉獵甚廣。更重要的是，Dlib的文檔非常完善，例子非常豐富。就像很多庫一樣，Dlib也提供了Python的介面，安裝非常簡單，用pip只需要一句即可：

pip install dlib

上面需要用到的scikit-image同樣只是需要這么一句：

pip install scikit-image

註：如果用pip install dlib安裝失敗的話，那安裝起來就比較麻煩了。錯誤提示很詳細，按照錯誤提示一步步走就行了。

人臉識別

之所以用Dlib來實現人臉識別，是因為它已經替我們做好了絕大部分的工作，我們只需要去調用就行了。Dlib裡面有人臉檢測器，有訓練好的人臉關鍵點檢測器，也有訓練好的人臉識別模型。今天我們主要目的是實現，而不是深究原理。感興趣的同學可以到官網查看源碼以及實現的參考文獻。今天的例子既然代碼不超過40行，其實是沒啥難度的。有難度的東西都在源碼和論文里。

首先先通過文件樹看一下今天需要用到的東西：

准備了六個候選人的圖片放在candidate-faces文件夾中，然後需要識別的人臉圖片test.jpg。我們的工作就是要檢測到test.jpg中的人臉，然後判斷她到底是候選人中的誰。另外的girl-face-rec.py是我們的python腳本。shape_predi

Ⅸ 求個MATLAB大神來幫忙解釋下，這段人臉檢測的代碼是基於什麼樣的演算法原理實現的。

這段程序是基於Viola-Jones 演算法檢測人臉、鼻子、眼睛的，其過程是先用faceDetector = vision.CascadeObjectDetector;構造一個人給檢測器，再用bboxes = step(faceDetector, I);檢測人臉。

Ⅹ 求基於adaboost演算法的人臉檢測的matlab代碼 謝謝了

可以試試下面這個，這個有你想要的。

此問題由colorreco人臉識別回答。