补充内容2-基于MTCNN的人脸检测

睡在客厅里的人 2023-01-13 02:05:14

课时名称	课时知识点
补充内容2-基于MTCNN的人脸检测	基于MTCNN的人脸检测编码实现

...全文

58 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

活体人脸识别封装类和Demo 欢迎关注 http://blog.csdn.net/u014220518

# 表情识别 > 2019.12更新了仓库依赖。 ## 简介使用卷积神经网络构建整个系统，在尝试了Gabor、LBP等传统人脸特征提取方式基础上，深度模型效果显著。在FER2013、JAFFE和CK+三个表情识别数据集上进行模型评估。 ## 环境部署基于Python3和Keras2（TensorFlow后端），具体依赖安装如下(推荐使用conda或者venv虚拟环境) - `git clone https://github.com/luanshiyinyang/ExpressionRecognition.git` - `cd ExpressionRecognition` - `pip install -r requirements.txt` ## 数据准备数据集和预训练模型均已经上传到百度网盘，[链接](https://pan.baidu.com/s/1LFu52XTMBdsTSQjMIPYWnw)给出，提取密码为2pmd。 ## 项目说明 1. 传统方法 - 数据预处理 - 图片降噪 - 人脸检测 - HAAR分类器检测（opencv） - 特征工程 - 人脸特征提取 - LBP - Gabor - 分类器 - SVM 2. 深度方法 - 数据预处理 - 人脸检测 - HAAR分类器 - MTCNN（效果更好） - 卷积神经网络 - 用于特征提取+分类 ## 网络设计使用经典的卷积神经网络，模型的构建主要参考2018年CVPR几篇论文以及谷歌的Going Deeper设计如下网络结构，输入层后加入(1,1)卷积层增加非线性表示且模型层次较浅，参数较少（大量参数集中在全连接层）。 ![](./asset/CNN.png) ![](./asset/model.png) ## 模型训练主要在FER2013、JAFFE、CK+上进行训练，JAFFE给出的是半身图因此做了人脸检测。最后在FER2013上Pub Test和Pri Test均达到67%左右准确率（该数据集爬虫采集存在标签错误、水印、动画图片等问题），JAFFE和CK+5折交叉验证均达到99%左右准确率（这两个数据集为实验室采集，较为准确标准）。训练过程见train.ipynb文件 ![](/asset/loss.png) ## 模型应用与传统方法相比，卷积神经网络表现更好，使用该模型构建识别系统，提供GUI界面和摄像头实时检测（摄像必须保证补光足够）。预测时对一张图片进行水平翻转、偏转15度、平移等增广得到多个概率分布，将这些概率分布加权求和得到最后的概率分布，此时概率最大的作为标签。注意，**GUI预测只显示最可能是人脸的那个表情，但是对所有检测到的人脸都会框定预测结果并在图片上标记，标记后的图片在results目录下**。 - GUI界面 - 运行scripts下的gui.py即可（图片来自百度，侵删。） - 效果图 - ![](./asset/rst_gui.png) - ![](./asset/rst_gui2.png) - 实时检测 - 运行scripts下的recognition_camera.py即可 - 效果图（图片来自百度，侵删。） - 演示不便 ## 补充说明具体项目代码、数据集、模型已经开源于我的Github，欢迎Star或者Fork。

最新人脸识别代码，亲测可用的完整工程.，放心下载使用.

opencv_contrib-master

点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达人脸检测的概念人脸检测是一种在多种应用中使用的计算机技术，可以识别数字图像中的人脸。人脸检测还指人类在视觉场景中定位人脸的过程。人脸检测可以视为目标检测的一种特殊情况。在目标检测中，任务是查找图像中给定类的所有对象的位置和大小。例如行人和汽车。人脸检测示例在人脸检测中应用较广的算法就是MTCNN（ Multi-task Casc...

Brian.Yu的课程社区_NO_1

1

社区成员

74

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章