作者：Adrian Rosebrock
今天我要和大家分享一個關于OpenCV圖書館的小秘密：
您可以使用OpenCV進行快速、準确的人臉檢測，使用預先訓練的深度學習臉部檢測器模型與庫一起裝運。
您可能已經知道，OpenCV船舶出箱前訓練Haar級聯，可用于人臉檢測…
……但我敢打賭，你不知道“隐藏”的深度學習為基礎的面部檢測器，它一直是OpenCV以來OpenCV 3.3的一部分。
在今天的部落格文章的其餘部分，我将讨論：
這個“隐藏”的深度學習人臉檢測器存在于OpenCV圖書館
如何使用OpenCV和深度學習進行圖像中的人臉檢測
如何利用OpenCV和深度學習實作視訊中的人臉檢測
正如我們将看到，很容易交換Haar級聯為他們更準确的深度學習臉部檢測器同行。
要了解更多關于OpenCV和深度學習的人臉檢測，請繼續閱讀！
今天的部落格文章分為三個部分。
在第一部分中，我們将讨論更精确的OpenCV人臉檢測器的起源以及它們在OpenCV庫内的位置。
從這裡我将示範如何使用OpenCV和深度學習在圖像中進行人臉檢測。
我将結束部落格文章，讨論如何使用OpenCV和深度學習将人臉檢測應用到視訊流。
這些“更好”的人臉檢測器在OpenCV生活，它們來自哪裡？
早在2017年8月，OpenCV 3.3正式釋出，它帶來了一個高度改進的“深度神經網絡”（DNN）子產品。
該子產品支援許多深度學習架構，包括CAFE、TunSoFrand和Trase/PyTr火炬。
DNN子產品的主要貢獻者，Aleksandr Rybnikov，投入了大量的工作使這個子產品成為可能（我們欠他一大堆的感謝和掌聲）。
自從OpenCV 3.3釋出以來，我一直在分享一些深度學習OpenCV教程，包括：
- Deep Learning with OpenCV
- Object detection with deep learning and OpenCV
- Real-time object detection with deep learning and OpenCV
- Deep learning on the Raspberry Pi with OpenCV
- Raspberry Pi: Deep learning object detection with OpenCV
- Deep learning: How OpenCV’s blobFromImage works
然而，大多數OpenCV使用者不知道的是，Rybnikov已經在OpenCV官方釋出中包含了一個更準确、更深入的基于學習的人臉檢測器（盡管如果你不知道去哪裡看，它可能有點難找到）。
基于Caffe的人臉檢測器可以在DNN樣本的FACESEL檢測器子目錄中找到：
當使用OpenCV的深度神經網絡子產品與CAFE模型時，您需要兩組檔案：
定義模型架構（即層本身）的原型檔案（s）
包含實際層權重的CalpMeMod檔案
這兩個檔案都需要在使用模型訓練的CAFE深度學習。
但是，您隻會在Github RePo中找到Primtxt檔案。
權重檔案不包括在OpenCV樣本目錄中，它需要更多的挖掘來找到它們。
我在哪裡可以得到更精确的OpenCV人臉檢測器？
為了友善起見，我已經包括：
FrasePrimtxt檔案
和Caffe模型重量檔案
在這篇部落格文章的“下載下傳”部分。
若要跳過下載下傳部分，請單擊此處。
OpenCV深度學習人臉檢測器是如何工作的？
OpenCV的深度學習臉部檢測器是基于具有RESNET基礎網絡的單鏡頭檢測器（SSD）架構（不像其他OpenCV SSD，您可能已經看到，它通常使用MobileNet作為基礎網絡）。
對SSDS和ResNet的全面審查超出了這篇部落格文章的範圍，是以如果您有興趣了解更多關于單鏡頭檢測器（包括如何訓練您自己的自定義深度學習對象檢測器），請從PyIGiSeLeCH部落格上的這篇文章開始，然後看一下我的書，深度學習計算機視覺與Python，其中包括深入的讨論和代碼，使您能夠訓練自己的對象探測器。
基于OpenCV和深度學習的人臉檢測
在第一個例子中，我們将學習如何将OpenCV的人臉檢測應用于單輸入圖像。
在下一節中，我們将學習如何修改此代碼，并将OpenCV的人臉檢測應用到視訊、視訊流和網絡攝像頭。
打開一個新檔案，命名為Debug TFACE.PY，并插入以下代碼：
在這裡，我們導入我們需要的包（第2-4行）和解析指令行參數（第7行到第16行）。
我們有三個必要的論點：
--圖像：輸入圖像的路徑。
--Pototxt：CAFE原型檔案的路徑。
模型：訓練前的CAFE模型的路徑。
一個可選的參數，即信心，可以覆寫預設門檻值0.5，如果你願意的話。
從那裡開始加載我們的模型并從我們的圖像中建立一個斑點：
首先，我們使用我們的-PrimTxt和模型檔案路徑加載模型。我們将模型存儲為Net（第20行）。
然後，我們加載圖像（第24行），提取次元（第25行），并建立一個BLB（第26行和第27行）。
DNN.BulbFoin圖像負責預處理，包括設定BLB尺寸和歸一化。如果您有興趣了解更多關于DNN.BLOBROVIGION的功能，我将在本部落格文章中詳細介紹。
接下來，我們将應用人臉檢測：
我們開始在第36行上進行檢測。
從那裡，我們提取信心（線39），并将其與置信門檻值（線43）進行比較。我們執行這個檢查過濾弱檢測。
如果置信度滿足最小門檻值，我們繼續繪制矩形，并在44-56行上檢測機率。
為了實作這一點，我們首先計算包圍盒（線46和47）的（x，y）坐标。
然後，我們建立我們的信心文本字元串（第51行），其中包含檢測的機率。
如果我們的文本将關閉圖像（例如當面部檢測發生在圖像的最上端）時，我們将其向下移動10像素（第52行）。
我們的臉矩形和可信度文本繪制線上53-56的圖像上。
從那裡我們循環傳回額外的檢測過程之後。如果沒有檢測，我們準備好在螢幕上顯示我們的輸出圖像（第59行和第60行）。
基于OpenCV圖像的人臉檢測
讓我們試一試OpenCV深度學習臉部檢測器。
確定你使用這個部落格文章的“下載下傳”部分下載下傳：
本部落格中使用的源代碼
用于深度學習人臉檢測的CAFFEPROTXT檔案
用于深度學習人臉檢測的CAFE權重檔案
在這個文章中使用的示例圖像
上面這張照片是我第一次去佛羅裡達州外伯城時的照片，那裡的雞可以在城市裡自由漫步。甚至有法律保護雞，我認為這很酷。雖然我是在農村農田長大的，但我還是很驚訝地看到一隻公雞過馬路——這當然産生了很多“雞為什麼要過馬路？”“笑話。
在這裡，你可以看到我的臉被檢測到74.30%的信心，即使我的臉是在一個角度。OpenCV的哈爾瀑布是著名的失蹤臉不在一個“直”的角度，但通過使用OpenCV的深度學習臉部探測器，我們能夠檢測到我的臉。
現在我們來看看另一個例子是如何工作的，這次有三張臉：
再一次，這僅僅顯示了在深度學習OpenCV人臉檢測器比标準HAAR級聯對應于庫的情況下有多好（在準确性方面）。
基于OpenCV和深度學習的視訊和攝像頭人臉檢測
現在我們已經學會了如何将OpenCV的人臉檢測應用到單個圖像上，讓我們也可以将人臉檢測應用到視訊、視訊流和網絡攝像頭。
幸運的是，我們在上一節中使用OpenCV的單個圖像中的大部分代碼可以在這裡重複使用！
打開一個新檔案，将其命名為Debug .FACESSYVIDOV.PY，并插入以下代碼：