dlib

Github项目地址：https://github.com/MiChongGET/face_collection 环境搭建 1. 环境 ubuntu14.04 LTS python2.7 pip 注：ubuntu14.04自带python2.7.6和python3.4，因此不再重新安装python。我这里使用python2.7，但需要更新一下python 2.7至python2.x 命令如下： 　　sudo add-apt-repository ppa:fkrull/deadsnakes-python2.7 　　sudo apt-get update 　　sudo apt-get upgrade 2. face_recognition简介 　 基于face_recognition人脸识别库,实现人脸检测及人脸识别。face_recognition，使用 dlib 的最先进的人脸识别技术构建深度学习。该模型的准确率为99.38％。 3. 部署环境步骤 人脸检测基于dlib，dlib依赖Boost和cmake 参考链接：https://github.com/ageitgey/face_recognition/issues/120 Installing Boost, Boost.Python, and X11 can be accomplished easily with $ sudo

face_recognition简介 face_recognition是Python的一个开源人脸识别库，支持Python 3.3+和Python 2.7。引用官网介绍： Recognize and manipulate faces from Python or from the command line with the world's simplest face recognition library . 安装配置 我目前的开发环境是，操作系统：Win10，Python3.6：Anaconda集成开发环境。在安装 face_recognition的过程中花费了一些时间，所以把安装过程记录下来。 使用pip安装 pip install face_recognition 如果安装失败了，那基本上是因为依赖的dlib库安装失败了，需要手动安装。网上介绍的安装dlib库的方法大都很复杂，需要下载源代码，然后手动编译。 安装dlib 1、下载 dlib-19.8.1-cp36-cp36m-win_amd64.whl 2、安装 pip install dlib-19 .8 .1-cp36-cp36m-win_amd64 .whl pip install dlib pip show dlib #验证 dlib是否安装成功 安装face_recognition_models 1、下载 face

最近看到一个特别有意思的开源项目，能把照片自动转化成漫画效果，经过半个小时的调试，终于跑通了。正先给大家看下实际效果，我在网上的随便搜了一张帅哥的证件照片试了下。基本上会把脑袋切出来，然后放大眼睛。 原照： 漫画效果后： 使用的是开源项目： https://github.com/minivision-ai/photo2cartoon 具体原理直接摘录read.me的一段描述： 人像卡通风格渲染的目标是，在保持原图像ID信息和纹理细节的同时，将真实照片转换为卡通风格的非真实感图像。我们的思路是，从大量照片/卡通数据中习得照片到卡通画的映射。一般而言，基于成对数据的pix2pix方法能达到较好的图像转换效果，但本任务的输入输出轮廓并非一一对应，例如卡通风格的眼睛更大、下巴更瘦；且成对的数据绘制难度大、成本较高，因此我们采用unpaired image translation方法来实现。 Unpaired image translation流派最经典方法是CycleGAN，但原始CycleGAN的生成结果往往存在较为明显的伪影且不稳定。近期的论文U-GAT-IT提出了一种归一化方法——AdaLIN，能够自动调节Instance Norm和Layer Norm的比重，再结合attention机制能够实现精美的人像日漫风格转换。 与夸张的日漫风不同，我们的卡通风格更偏写实

Face_Recognition更适合于Linux系统，性能方面Windows系统下发挥Linux系统的四分之一。 Windows系统下安装： 　　 方法1：anaconda3.5以前的版本含3.5 　　　　安装visual studio2014： 　　　　　　安装C/C++ 编译器，VS主要用于之后boost库的编译。 　　　　安装boost： 　　　　　　下载地址：https://sourceforge.net/projects/boost/files/boost-binaries/ 我下载的是boost_1_67_0-msvc-14.1-64.exe 直接安装就行。 　　　　　　如果下载的zip那就需要先解压，打开vs命令，更改文件夹到boost的解压路径，输入 bootstrap.bat 在文件夹里生成b2.exe，再输入 b2，让boost库里的东西自动编译 　　　　安装cmake： 　　　　　　官方下载地址：https://cmake.org/ 我下载的是cmake-3.13.1-win64-x64.msi，直接双击安装。将其路径加入PATH环境变量 　　　　安装dlib： 　　　　　　下载地址：https://pypi.org/simple/dlib/ 我下载的是dlib-19.7.0-cp36-cp36m-win_amd64.whl

landmark是一种人脸部特征点提取的技术，Dlib库中为人脸68点标记，在《调用Dlib库进行人脸关键点标记》一文中有效果和标定点序号的示意图。今后可采用landmark中的点提取眼睛区域、嘴巴区域用于疲劳检测，提取鼻子等部分可用于3D姿态估计。 Dlib库使用《One Millisecond Face Alignment with an Ensemble of Regression Trees》CVPR2014中提及的算法：ERT（ensemble of regression trees）级联回归，即基于梯度提高学习的回归树方法。 该算法使用级联回归因子，首先需要使用一系列标定好的人脸图片作为训练集，然后会生成一个模型。 the shape_predictor_trainer object to train a shape_predictor using a set of training images, each annotated with shapes you want to predict. To do this, the shape_predictor_trainer uses the state-of-the-art method. 使用基于特征选择的相关性方法把目标输出ri投影到一个随机方向w上，并且选择一对特征（u,v），使得Ii(u’)-Ii(v’

【推荐阅读】微服务还能火多久？>>> 本文链接：https://blog.csdn.net/koibiki/article/details/83588796 收起 论文连接：One Millisecond Face Alignment with an Ensemble of Regression Trees 1.简介 本文也采用级联回归树。 本论文主要解决两个问题： 1.抽取向量特征用于表征复杂背景和不同光照下的人脸图片。但在实际中实现时，既需要可信的特征用来预测人脸形状，同时又需要用精确地人脸形状来抽取特征。对于这种两难的情况，本文采用迭代式逼近的方法解决。在对样本抽取特征时，不对其基于全局坐标进行抽取，而是基于当前预测shape下的抽取，所以这些抽取的特征用于预测的时shape的更新向量。这个过程会重复多次直至收敛。 2.在预测阶段，需要预测一个高维的空间向量来表征最拟合样本和训练模型的人脸形状。这是一个非凸问题，并存在多个局部极值。本文假设所能被预测到的人脸形状，均被包含在训练数据的子空间中（可以通过对训练数据中的一个样本，通过移动，旋转，仿射变换得到）。 通过优化mse训练每一颗树。通过一个集合的梯度提升树和先验概率分布，得到回归器的输入。先验概率可以时boosting算法能够高效地筛选大数量级的相关特征。 2.方法 2.1 级联回归器 使用代表图片 I 第 i

【今日推荐】：为什么一到面试就懵逼！>>> landmark是一种人脸部特征点提取的技术，Dlib库中为人脸68点标记，在《调用Dlib库进行人脸关键点标记》一文中有效果和标定点序号的示意图。今后可采用landmark中的点提取眼睛区域、嘴巴区域用于疲劳检测，提取鼻子等部分可用于3D姿态估计。 Dlib库使用《One Millisecond Face Alignment with an Ensemble of Regression Trees》CVPR2014中提及的算法：ERT（ensemble of regression trees）级联回归，即基于梯度提高学习的回归树方法。该算法使用级联回归因子，首先需要使用一系列标定好的人脸图片作为训练集，然后会生成一个模型。 the shape_predictor_trainer object to train a shape_predictor using a set of training images, each annotated with shapes you want to predict. To do this, the shape_predictor_trainer uses the state-of-the-art method. 使用基于特征选择的相关性方法把目标输出ri投影到一个随机方向w上，并且选择一对特征（u,v