Summary：利用OpenCV中的LBF算法进行人脸关键点检测（Facial Landmark Detection） Author： Amusi Date： 2018-03-20 Note： OpenCV3.4以及上支持Facemark PS：点击“阅读原文”，可以下载所有源码和模型，记得给star哦！ 教程目录 测试环境 引言 Facemark API Facemark训练好的模型 利用OpenCV代码进行实时人脸关键点检测 步骤 代码 实验结果 Reference 测试
随着人脸识别技术的发展，给我们的日常生活带来了许多的便利，但是同样的也存在隐私的问题。以及可能被不法分子用于做一些违法事情。
引言 大家纷纷@官方微信 给自己的头像加上一顶圣诞帽。当然这种事情用很多P图软件都可以做到。但是作为一个学习图像处理的技术人，还是觉得我们有必要写一个程序来做这件事情。而且这完全可以作为一个练手的小项目，工作量不大，而且很有意思。 用到的工具 OpenCV（毕竟我们主要的内容就是OpenCV...） dlib（前一篇文章刚说过，dlib的人脸检测比OpenCV更好用，而且dlib有OpenCV没有的关键点检测。） 用到的语言为Python。但是完全可以改成C++版本，时间有限，就不写了。有兴趣的小伙伴可以拿
人脸对齐，即根据图像中人脸的几何结构对图像进行仿射变换（旋转、缩放、平移等），将人脸变换到一个统一的状态。人脸对齐是人脸识别的一个重要步骤，可以提升人脸识别的精度。
前几日分享了learnopencv.com博主Satya Mallick发表的关于OpenCV Mask RCNN实例分割的博文（详见：OpenCV4.0 Mask RCNN 实例分割示例 C++/Python实现），展示了OpenCV作为DNN推断工具的简单用法。 昨日Satya Mallick又发表了使用OpenCV调用OpenPose工程中的手部关键点检测（hand pose estimation）模型的文章，对于想要使用手部关键点检测做手势识别、手语识别、抽烟检测等工程开发的朋友来说这是一个非常简单的上手教程。 先来看看作者发布的视频效果：
川剧是中国最知名的戏曲剧种之一，变脸是川剧表演的特技之一，在对象传承上有着严格的师门派别。有点扯远啦，回来！其实主要是我们今天要用OpenCV干的事情跟这个有点关系，OpenCV基于Landmark实现人脸关键点提取，对结果善加利用可以实现人脸交换，对特定对象施加变脸术。OpenCV开发者不学川剧也一样可以给各种人变脸，当然前提是会写代码，会做OpenCV。首先简单说一下原理与流程。
口罩已经被证明是防止COVID-19传播的最好的防御措施之一，然而，这也导致了基于面部特征（包括鼻子、嘴和下巴线）的面部识别算法的失效。
本文是《人脸识别完整项目实战》系列博文第14章《实时人脸特征点标定程序设计》，本章内容详细介绍Win10 环境下，基于Visual Studio 2015 + Opencv + Dlib开发环境，如何实现实时视频流人脸特征点标定程序的设计。本文内容已经同步录制成视频课程，课程地址：《人脸识别完整项目实战》
OpenCV4.0发布以来，其依靠良好的接口代码、系统级别的优化、更加通用易学的函数调用，集成OpenVINO与tensorflow、caffe等模型加速推断、实现了从传统的图像处理到基于深度学习的视觉处理路线图的完整拓展。OpenCV4 毫无疑问是一个OpenCV发展历史的一个重要里程碑之作。官方的宣传口号是 OpenCV4 is more than OpenCV 充分说明OpenCV4 是整合深度学习的新一代计算机视觉开发框架！
随着圣诞的到来，大家纷纷@今日头条给自己的头像加上一顶圣诞帽。当然这种事情用很多P图软件都可以做到。但是作为一个学习图像处理的技术人，还是觉得我们有必要写一个程序来做这件事情。而且这完全可以作为一个练手的小项目，工作量不大，而且很有意思。 用到的工具 OpenCV（毕竟我们主要的内容就是OpenCV...） dlib（前一篇文章刚说过，dlib的人脸检测比OpenCV更好用，而且dlib有OpenCV没有的关键点检测。） 用到的语言为Python。但是完全可以改成C++版本，时间有限，就不写了。有兴趣的
图像识别是人工智能的一个重要方面，下面通过一个简单列子进行练习： 随着圣诞的到来，大家纷纷@官方微信给自己的头像加上一顶圣诞帽。当然这种事情用很多P图软件都可以做到。但是作为一个学习图像处理的技术人，还是觉得我们有必要写一个程序来做这件事情。而且这完全可以作为一个练手的小项目，工作量不大，而且很有意思。 我们用下面这张图作为我们的测试图片。 用dlib的正脸检测器进行人脸检测，用dlib提供的模型提取人脸的五个关键点。代码如下： #!/usr/bin/python # -*- coding: utf-8
自从OpenCV3.3版本引入深度神经网络(DNN)模块之后，OpenCV对DNN模块支持最好的表现之一就是开始支持基于深度学习人脸检测，OpenCV本身提供了两个模型分别是基于Caffe与Tensorflow的，Caffe版本的模型是半精度16位的，tensorflow版本的模型是8位量化的。同时OpenCV通过与OpenVINO IE模型集成实现了底层硬件对对象检测、图像分割、图像分类等常见模型加速推理支持。OpenVINO框架本身提供直接快速开发应用原型的模型库，对很多常见视觉任务都可以做到快速演示支持。说起人脸的Lankmarks提取，最早的OpenCV跟DLib支持的方式都是基于AAM算法实现的68个人脸特征点的拟合模型，另外OpenCV中支持landmark的人脸检测会先加载一个很大的模型文件，然后速度感人，觉得还有很大的改进空间。好处是OpenCV自己提供了一个训练工具，可以自己训练模型。常见的MTCNN同时实现了人脸检测跟landmarks检测，但是只支持5点检测。而OpenVINO自带的Landmark检测模型基于自定义的卷积神经网络实现，取35个人脸各部位关键点。
人脸检测解决的问题为给定一张图片，输出图片中人脸的位置，即使用方框框住人脸，输出方框的左上角坐标和右下角坐标或者左上角坐标和长宽。算法难点包括：人脸大小差异、人脸遮挡、图片模糊、角度与姿态差异、表情差异等。而关键检测则是输出人脸关键点的坐标，如左眼（x1，y1）、右眼（x2，y2）、鼻子（x3，y3）、嘴巴左上角（x4，y4）、嘴巴右上角（x5，y5）等。
基于Python的人工智能美颜系统使用PyQt5模块搭建可视化界面，使用Dlib模型（shape_predictor_68_face_landmarks.dat)实现人脸关键点检测和定位，人脸美颜（美白、磨皮、亮眼、红唇等操作）均是在检测到相对应人脸器官后，使用OpenCV模块实现调节亮度、锐化等操作。
《OpenCV源码Android端编译，用时三天，我编了个寂寞。。。》文中介绍了编译OpenCV+Contrib模块的编译，虽然Andorid下编译始终没有获得libopencv_java4.so的库，不过在Windows下编译还是正常的，今天主要介绍人脸特征点的检测功能，就用到Contrib模块中的FaceMarkLBF。
人脸识别是一种通过分析和识别人脸特征来辨认一个或多个人身份的技术。随着深度学习和计算机视觉的快速发展，人脸识别成为了一个非常热门的领域。本文将介绍人脸识别的入门知识和常用的实现方法。
2015年我出版了个人第一本关于图像处理方面的书籍《Java图像处理-编程技巧与应用实践》，这本书主要是从理论与编码上面详细阐述了图像处理基础算法以及它们在编码实现上的技巧。一转眼已经三年过去了，在这三年的时光里我无时无刻都在关注图像处理与计算机视觉技术发展与未来，同时渐渐萌发了再写一本图像处理相关技术书籍的念头，因为《Java图像处理-编程技巧与应用实践》一书主要不是针对工程应用场景，读者在学完之后很难直接上手开始做项目，所以把第二本书定位为工程实战书籍类型，可以帮助大家解决工程与项目实际技术问题。OpenCV是英特尔开源出来的计算机视觉框架，有着十分强大的图像与视频分析处理算法库。借助OpenCV框架，Android程序员可以在不关心底层数学原理的情况下，解决人脸检测、OCR识别、AR应用开发，图像与视频分析处理，文本处理等Androd开发者经常遇到问题，考虑这些真实需求，本着从易到难的原则，列出了提纲，得到机械工业出版社 杨绣国编辑 肯定与大力支持，于是才有《OpenCV Android开发实战》一书的写作与出版。
《C++ OpenCV Contrib模块LBF人脸特征点检测》文章中已经介绍了人脸特征点的检测，本篇文章是在原代码的基础上实现人脸的提取。
前两天朋友圈里面刷屏的“我想要一个圣诞帽，@微信官方”这个活动你们中招了吗？后来大家都知道这只是一个用了P图工具的小玩笑，但大家纷纷玩得不亦乐乎。现在有许多p图小工具也可以实现“戴圣诞帽”，但作为一个程序猿，其实也可以写一个小程序让自己“戴上圣诞帽”，大家快来看！ 驯鹿逃跑了，我还有自己的圣诞老人。 用到的工具 OpenCV dlib 用到的语言为Python 素材准备 首先我们需要准备一个圣诞帽的素材，格式最好为PNG，因为PNG的话我们可以直接用Alpha通道作为掩膜使用。我们用到的圣诞帽如下图：
前面介绍了使用特征脸法进行人脸识别，这里介绍一下OpenCV人脸识别的另外两种算法，一种是FisherFace算法，一种是LBPH算法。
本篇文章目的将为你详细罗列 Python OpenCV 的学习路线与重要知识点。核心分成 24 个小节点，全部掌握，OpenCV 入门阶段就顺利通过了。
哈喽，大家好，今天我们一起来做一个人脸检测的小应用案例，看看现在满大街普及的人脸检测到底是个什么玩意儿。其实，这个技术没那么唬人，现在技术已经非常成熟啦。小白同学可以跟着我一步一步操作，就能够实现。
前一段时间用于人物换脸的deepfake火爆了朋友圈，早些时候Cycle GAN就可以轻松完成换脸任务，其实换脸是计算机视觉常见的领域，比如Cycle GAN ，3dmm，以及下文引用的论文均可以使用算法实现换脸(一定程度上能模仿表情)，而不需要使用PS等软件手工换脸（表情僵硬，不符合视频上下文），只能说deepfake用一个博取眼球的角度切入了换脸算法，所以一开始我并没有太过关注这方面，以为是Cycle GAN干的，后来隐约觉得不对劲，因为GAN系列确实在image to image领域有着非凡的成绩，但GAN的训练是出了名的不稳定，而且收敛时间长，某些特定的数据集时不时需要有些trick，才能保证效果。但deepfake似乎可以无痛的在各个数据集里跑，深入阅读开源代码后(https://github.com/deepfakes/faceswap)，发现这东西很多值得一说的地方和优化的空间才有了这一篇文章。 本文主要包括以下几方面： １.解读deepfake的model和预处理与后处理的算法以引用论文。（目前大多文章只是介绍了其中的神经网络，然而这个项目并不是单纯的end-to-end的输出，所以本文还会涉及其他CV的算法以及deepfake的介绍）。 ２.引入肤色检测算法，提升换脸的视觉效果。
Python 凭借语法的易学性，代码的简洁性以及类库的丰富性，赢得了众多开发者的喜爱。下面我们来看看，用不超过10行代码能实现些什么有趣的功能
归一化是一种无量纲处理手段，使物理系统数值的绝对值变成某种相对值关系。简化计算，缩小量值的有效办法。 例如，滤波器中各个频率值以截止频率作归一化后，频率都是截止频率的相对值，没有了量纲。阻抗以电源内阻作归一化后，各个阻抗都成了一种相对阻抗值，“欧姆”这个量纲也没有了。等各种运算都结束后，反归一化一切都复原了。信号处理工具箱中经常使用的是nyquist频率，它被定义为采样频率的二分之一，在滤波器的阶数选择和设计中的截止频率均使用nyquist频率进行归一化处理。例如对于一个采样频率为500hz的系统，400hz的归一化频率就为400/500=0.8，归一化频率范围在[0,1]之间。如果将归一化频率转换为角频率，则将归一化频率乘以2*pi，如果将归一化频率转换为hz，则将归一化频率乘以采样频率的一半。
主要介绍通过https://github.com/opencv/opencv/releases 下载的 SDK的目录结构。
人脸检测只是人脸识别系统中的一步，当然是非常重要的一步；反人脸检测(躲开人脸检测)也只是反人脸识别的一种手段，在特定场景下是奏效的，但“头部左右倾斜15度以上”的“伎俩”是达不到这效果的，为什么呢?是
基于视觉的疲劳检测可以认为大致分为三个部分，点头，哈欠，眨眼。分别为姿态、嘴部特征、眼部特征。 本文主要介绍哈欠的测定方法。 首先研究了陈博士《基于可拓学与面部视觉。。。》一文，他提出一种基于特征点曲线拟合的嘴唇内轮廓检测方法，先对嘴巴进行粗定位，然后对嘴巴区域进行Harris角点检测，利用检测到的角点坐标拟合出嘴巴内轮廓曲线。【角点检测+二次曲线拟合】 内轮廓具有的优点为：准确的张口度；头部较大旋转仍能计算张口度。 什么是角点：角点没有明确的数学定义,但人们普遍认为角点是二维图像亮度变化剧烈的点或图像边缘
OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉库，它提供了丰富的图像处理和计算机视觉算法，旨在帮助开发者构建各种视觉项目。作为一个功能强大且广泛使用的库，OpenCV已经成为许多计算机视觉应用的首选工具之一。
OpenCV是计算机视觉开源工具中妇孺皆知的，但Dlib绝对是这几年快速上升的一颗新星，它并不追求大而全，但它实现的每一个模块和特性，都几乎是高质量开源算法的典范。
前言 前一段时间用于人物换脸的deepfake火爆了朋友圈，早些时候Cycle GAN就可以轻松完成换脸任务，其实换脸是计算机视觉常见的领域，比如Cycle GAN ，3dmm，以及下文引用的论文均可以使用算法实现换脸(一定程度上能模仿表情)，而不需要使用PS等软件手工换脸（表情僵硬，不符合视频上下文），只能说deepfake用一个博取眼球的角度切入了换脸算法，所以一开始我并没有太过关注这方面，以为是Cycle GAN干的，后来隐约觉得不对劲，因为GAN系列确实在image to image领域有着非凡的成
Monocular Real-time Full Body Capture with Inter-part Correlations
先展示一下我的结果。我们测试的图片当然是当前最热的 nihongo 电视剧『轮到你了』的 CP 二阶堂和黑岛了
本文是《人脸识别完整项目实战》系列博文第1章《目录大纲篇》，本章内容系统介绍，《人脸识别项目完整实战》系列博文的目录结构，共8大部分53个章节。
本文是《人脸识别完整项目实战》系列博文第1部分，第2节《项目系统架构设计》，本章内容系统介绍：人脸系统系统的项目架构设计，包括：业务架构、技术架构、应用架构和数据架构四部分内容。
本文将介绍如何使用OpenCV和Dlib实现人脸变形(人脸->人脸和人脸->动物脸)。（公众号：OpenCV与AI深度学习）
检测是计算机视觉任务中的主要任务之一，而且应用很广泛。检测技术可以帮助人类检测那些容易被肉眼忽略的错误；也可以”帮助“自动驾驶汽车感知空间信息。无疑自动化的检测技术的广泛应用将为我们带来效率与安全。
越来越多的手机市场用户，会在意APP的大小。当然，IoT领域用户也不例外。在低功耗的浪潮下，芯片越来越倾向于片上SRAM与Flash的结构。Tengine-Lite二进制文件库(包括.a静态库与.so的动态库)大小急剧减小，以.so动态库为例，Tengine-Lite库文件大小相较Tengine，减小非常显著。
人脸识别已经成为生活中越来越常见的技术，其中最关键的问题就是安全，而活体检测技术又是保证人脸识别安全性的一个重要手段，本文将向大家简单介绍活体检测，并动手完成一个活体检测模型的训练，最终实现对摄像头或者视频中的活体进行识别。
OpenCV4.0发布以来，其依靠良好的接口代码、系统级别的优化、更加通用易学的函数调用，集成OpenVINO与tensorflow、caffe等模型加速推断、实现了从传统的图像处理到基于深度学习的视觉处理路线图的完整拓展。OpenCV4毫无疑问是一个OpenCV发展历史的一个重要里程碑之作。
近几年来，兴起了一股人工智能热潮，让人们见到了AI的能力和强大，比如图像识别，语音识别，机器翻译，无人驾驶等等。总体来说，AI的门槛还是比较高，不仅要学会使用框架实现，更重要的是，需要有一定的数学基础，如线性代数，矩阵，微积分等。
笔者是从传统图像算法开始进入计算机视觉行业的，那一批人基本上都是从人脸图像和文本图像开始学，而如今很多计算机视觉从业者却从来没有接触过人脸图像相关的算法，或许真的是时代变了吧。
人脸检测是给照片中的每个人脸指定一个边界框，人脸关键点检测则需要定位特殊的人脸特征，如眼睛中心、鼻尖等。基于二者的两步走方法是很多人脸推理任务的关键所在，如 3D 重建。
来自 Facebook AI 和美国圣母大学的研究者提出了一种 6 自由度的实时 3D 人脸姿态估计技术，可以不依赖人脸检测和人脸关键点定位独立运行。
图像识别、人脸识别可行的算法有很多。但是作为学习，如果能理清这个问题研究的历程及其主线，会对你深入理解当前研究最新的发展有很多帮助。本文是自己在学习过程中的笔记，大多内容来自于网络，出处请参考最后的引文部分。 Sift算法 Sift算法是David Lowe于1999年提出的局部特征描述子，并于2004年进行了更深入的发展和完善。Sift特征匹配算法可以处理两幅图像之间发生平移、旋转、仿射变换情况下的匹配问题，具有很强的匹配能力。总体来说，Sift算子具有以下特性： Sift特征是图像的局部特征，对平移
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM
