OpenCV的视频处理之人脸检测 2
我们尝试模块化并分离管道构建块，这种方法将为我们提供易于管理的代码，并使测试更容易编写：
import os
import cv2
from pipeline.libs.face_detector import FaceDetector
import tests.config as config
class TestFaceDetector:
def test_face_detector(self):
prototxt = os.path.join(config.MODELS_FACE_DETECTOR_DIR, "deploy.prototxt.txt")
model = os.path.join(config.MODELS_FACE_DETECTOR_DIR, "res10_300x300_ssd_iter_140000.caffemodel")
detector = FaceDetector(prototxt, model)
test_image = cv2.imread(os.path.join(config.ASSETS_IMAGES_DIR, "friends", "friends_01.jpg"))
faces = detector.detect([test_image])
assert len(faces) == 1
assert len(faces[0]) # Should recognize some faces from friends_01.jpg
使用管道架构，可以很容易地CascadeDetectFaces从上一篇文章换成更准确的深度学习人脸检测器模型。让我们FaceDetector在新的DetectFaces管道步骤中使用：
from pipeline.pipeline import Pipeline
from pipeline.libs.face_detector import FaceDetector
class DetectFaces(Pipeline):
def __init__(self, prototxt, model, batch_size=1, confidence=0.5):
self.detector = FaceDetector(prototxt, model, confidence=confidence)
self.batch_size = batch_size
super(DetectFaces, self).__init__()
def generator(self):
batch = []
stop = False
while self.has_next() and not stop:
try:
# Buffer the pipeline stream
data = next(self.source)
batch.append(data)
except StopIteration:
stop = True
# Check if there is anything in batch.
# Process it if the size match batch_size or there is the end of the input stream.
if len(batch) and (len(batch) == self.batch_size or stop):
# Prepare images batch
images = [data["image"] for data in batch]
# Detect faces on all images at once
faces = self.detector.detect(images)
# Extract the faces and attache them to the proper image
for image_idx, image_faces in faces.items():
batch[image_idx]["faces"] = image_faces
# Yield all the data from buffer
for data in batch:
if self.filter(data):
yield self.map(data)
batch = []
我们对图像流（第15–20行）进行缓冲，直到到达batch_size（第24行）为止，然后在所有缓冲的图像上（第28行）检测面部，收集面部坐标和置信度（第31–32行），然后重新生成图像（第35-37行）。
当我们使用GPU（图形处理单元）时，我们的武器库中同时运行着数千个处理内核，这些内核专门用于矩阵运算。批量执行推理总是更快，一次向深度学习模型展示的图像多于一张一张。
保存面孔和摘要
SaveFaces并SaveSummary产生输出结果。在SaveFaces类，使用map功能，遍历所有检测到的面部，从图像裁剪他们并保存到输出目录。
SaveSummary类的任务是收集有关已识别面部的所有元数据，并将它们保存为结构良好的JSON文件，该map函数用于缓冲元数据。接下来，我们使用额外的write功能扩展我们的类，我们将需要在管道的末尾触发以将JSON文件与摘要一起保存。脸部图像针对每一帧存储在单独的目录中。
视频输出
为了观察流水线的结果，很高兴可以显示带有带注释的面孔的视频。关于AnnotateImage(pipeline/annotate_image.py)/DisplayVideo(pipeline/display_video.py)的全部内容。
运行中的管道
在process_video_pipeline.py文件中我们可以看到，整个管道的定义如下：
pipeline = (capture_video |
detect_faces |
save_faces |
annotate_image |
display_video |
save_video |
save_summary)
上面有很多解释，但是视频和图像胜于雄辩。让我们来看一下触发命令的管道：
python process_video_pipeline.py -i assets/videos/faces.mp4 -p -d -ov faces.avi,M,];
-p将显示进度条，
-d显示带有批注面孔的视频结果，
-ov faces.avi并将视频结果保存到output文件夹。
正如我们在示例视频中看到的那样，并不是所有脸孔都能被识别。我们可以降低设置参数的深度学习模型的置信度confidence 0.2（默认值为0.5）。降低置信度阈值会增加假阳性的发生(在图像中没有脸的位置出现脸)。
DetectFaces类的批量处理大小：
$ python process_video_pipeline.py -i assets/videos/faces.mp4 -p
--batch-size 1
100%|███████████████████████████| 577/577 [00:11<00:00, 52.26it/s]
[INFO] Saving summary to output/summary.json...
$ python process_video_pipeline.py -i assets/videos/faces.mp4 -p
--batch-size 4
100%|███████████████████████████| 577/577 [00:09<00:00, 64.66it/s]
[INFO] Saving summary to output/summary.json...
$ python process_video_pipeline.py -i assets/videos/faces.mp4 -p
--batch-size 8
100%|███████████████████████████| 577/577 [00:10<00:00, 56.04it/s]
[INFO] Saving summary to output/summary.json...
在我们的硬件上（2.20GHz的Core i7–8750H CPU和NVIDIA RTX 2080 Ti），我门每秒获得52.26帧的图像--batch-size 1，但是对于--batch-size 4我们来说，速度却提高到了每秒64.66帧。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表德赢Vwin官网
网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。
举报投诉
-
摄像头
+关注
关注
59文章
4836浏览量
95595 -
OpenCV
+关注
关注
31文章
634浏览量
41336 -
JSON
+关注
关注
0文章
117浏览量
6963
发布评论请先 登录
相关推荐
基于OPENCV的相机捕捉视频进行人脸检测--米尔NXP i.MX93开发板
本文将介绍基于米尔电子MYD-LMX93开发板（米尔基于NXPi.MX93开发板）的基于OpenCV的人脸检测方案测试。OpenCV提供了一个非常简单的接口，用于相机捕捉一个
如何用OpenCV的相机捕捉视频进行人脸检测--基于米尔NXP i.MX93开发板
:
breakvideo.release()cv2.destroyAllWindows()
保存后执行”python3 opencv_test.py
OpenCV装好后，可以为后面的人脸
发表于 11-15 17:58
【TL6748 DSP申请】基于TMS320C6748 DSP人脸检测及跟踪
申请理由：我们是公司的研发团队，正在研发人脸检测及跟踪。之前使用的是TI达芬奇系列DM6446芯片，将OpenCV移植到DM6446的DSP上发现处理效率太低。分析主要原因是dm644
发表于 09-10 11:09
【NanoPi2申请】基于ARM的智能家居视频监控系统
获取图像或视频 图像处理灰度 二值 去噪增强 （边缘检测 腐蚀 膨胀）等 JPEG/H.264 压缩编码解码TCP/IP网络传输2.智能家居视频
发表于 12-02 16:10
【NanoPi2申请】基于opencv的人脸识别门禁系统
opencv API，研究图像处理算法。5、学习机器学习，利用模板匹配方法进行人脸识别。6、在linux上配置opencv，利用opencv
发表于 12-18 14:34
【NanoPi2申请】基于NanoPi2的人脸识别及表情检测
本帖最后由 ypw 于 2015-12-19 00:38 编辑
申请理由：目前正在学习OpenCV，以及人脸表情检测的研究，NanoPi2的性价比很高，同时集成了WiFi，是研发
发表于 12-18 14:37
【EASY EAI Nano开源套件试用体验】4AI功能测试之人脸检测
,rknn_context句柄path:输入参数,算法模型路径input_image:输入参数, Opencv Mat格式图像result：输出参数, 人脸检测的结果输出3 代码分析与修改官方例程使用的是双目摄像头
发表于 09-27 22:39
【飞凌RK3568开发板试用体验】使用OpenCV进行人脸识别
RK3568四核Arm Cortex-A55 处理器的主板，从厂商的宣传看，其主要市场就是人脸识别等视频和图像应用。今天就使用OpenCV自带的DNN模块进行
发表于 01-11 22:06
【飞凌RK3588开发板试用】实现人脸检测
))[2:-1] return img_date_url添加代码后，重新启动服务，打开网页，当图像中出现人脸时就可以检测出来了：CPU占用情况如下图，占用率非常小。【小结】tornado的服务+
发表于 03-09 14:10
基于openCV的人脸检测识别系统的设计
通过对基于Adaboost人脸检测算法的研究，利用该算法与计算机视觉类库openCV进行人脸检测系统的设计，实现了对出现在
发表于 06-15 10:53
•477次下载
Android系统下OpenCV的人脸检测模块的设计
针对解决OpenCV人脸检测模块在Android平台编译和移植的问题，提出一种利用JNI技术（Java Native Interface）调用OpenCV以及采用Android NDK
发表于 11-07 17:40
•118次下载
openCV人脸检测系统的设计方案探究
摘要： 通过对基于 Adaboost 人脸检测算法的研究，利用该算法与计算机视觉类库 openCV 进行人脸检测系统的设计，实现了对出现在
发表于 10-20 16:39
•3次下载
OpenCV的视频处理之人脸检测 1
目前可依靠模块化方式实现图像处理管道，检测一堆图像文件中的人脸，并将其与漂亮的结构化JSON摘要文件一起保存在单独的文件夹中。
让我们对视频流也可以进行同样的操作。
首先，
Android系统下OpenCV的人脸检测模块的设计
德赢Vwin官网
网站提供《Android系统下OpenCV的人脸检测模块的设计.pdf》资料免费下载
发表于 10-23 09:37
•0次下载
工商网监
评论