Cómo detectar si una imagen contiene uno o más rostros humanos

El detector de cara de Dlib es mucho más fácil de usar que el de OpenCV e igual de rápido. Puedes leer sobre esto en el blog dlib. Pero aquí hay un ejemplo completo en C ++:

#include
#include
#include
#include
usando el espacio de nombres dlib;
int main ()
{
detector automático = get_frontal_face_detector ();
array2d img;
load_image (img, “people.jpg”);
pyramid_up (img);
auto dets = detector (img);

std :: cout << "Número de caras detectadas:" << dets.size () << std :: endl;
image_window win (img);
win.add_overlay (dets, rgb_pixel (255,0,0));
win.wait_until_closed ();
}

Y lo mismo pero usando la API de Python de dlib:

importar dlib
de skimage import io

img = io.imread (‘people.jpg’)

detector = dlib.get_frontal_face_detector ()
# Ejecute el detector de rostros, muestreando la imagen 1 vez para encontrar rostros más pequeños.
dets = detector (img, 1)

print “número de caras detectadas:”, len (dets)
win = dlib.image_window ()
win.set_image (img)
win.add_overlay (dets)
raw_input (“Presione enter para continuar”)

Lo probé en una foto grupal aleatoria de imágenes de Google y aquí está la salida:

Además, aquí hay un video de youtube que muestra la salida del detector de rostro OpenCV predeterminado y el detector de rostro predeterminado de dlib:

OpenCV tiene muchas falsas alarmas y requiere muchos ajustes para que funcione razonablemente. Dlib simplemente funciona.

Aprendizaje automáticoPreguntas prácticasProcesamiento de imágenesReconocimiento facialVisión por computadora

¿Pueden los algoritmos de aprendizaje profundo predecir los resultados de los partidos deportivos?

¿Cuál es la relación entre física y aprendizaje automático / IA?

¿Qué técnicas de aprendizaje automático debo usar para estratificar y spofing?

¿Cuál es el mejor marco de aprendizaje profundo para Apache Spark?

¿Qué tipo de estructuras de datos podrían usarse en un proyecto de procesamiento de lenguaje natural?

¿Por qué hay tantas preguntas sobre Machine Learning en Quora?

Si está utilizando OpenCV, entonces hay cascadas de cabello que implementan el algoritmo seminal de detección de rostros de viola jones. Este tutorial puede ayudarlo a comenzar Detección de rostros usando Haar Cascades El código de detección de rostros viene junto con la instalación de OpenCV y es extremadamente rápido, así que juegue con los diferentes archivos XML de cascadas que se proporcionan para elegir el que mejor se adapte a sus necesidades.

Existe el muy famoso modelo de piezas discriminatorias de Ramanan que también detecta caras Modelos de piezas deformables discriminadas entrenadas (Versión 5). Es más lento que Viola Jones pero ligeramente más robusto a variaciones como pose, resolución e iluminación.

Antoine Grandiere

Si está buscando una solución basada en API, puede consultar Sightengine.com

Es posible analizar 2,000 imágenes gratis por mes.

Es una solución automatizada para detectar cosas como contenido para adultos, violencia, rostros y celebridades en imágenes y videos .

La API analiza imágenes y videos más rápido que los humanos. La API puede analizar varios millones de imágenes por día.

Digamos que quieres subir esta imagen y detectar caras:

Aquí hay un ejemplo en Python, usando el SDK:

cliente = SightengineClient (‘{api_user}’, ‘{api_secret}’)
output = client.check (‘face-atributos’). set_url (‘ https://d3m9459r9kwism.cloudfront.net/img/examples/example-coup-1000.jpg&#039 😉

La salida devolverá la clasificación. Un ejemplo:

“status”: “éxito”,
“solicitud”: {
“id”: “req_1VmdzS10f628UBstXdc8c”,
“marca de tiempo”: 1510757582.1956,
“operaciones”: 1
},
“caras”: [
{
“x1”: 0.5698,
“y1”: 0.24,
“x2”: 0.6773,
“y2”: 0.492,
“caracteristicas”: {
“ojo izquierdo”: {
“x”: 0.6507,
“y”: 0.3533
},
“Ojo derecho”: {
“x”: 0.6276,
“y”: 0.328
},
“punta de la nariz”: {
“x”: 0.6391,
“y”: 0.3773
},
“left_mouth_corner”: {
“x”: 0.6222,
“y”: 0.4307
},
“right_mouth_corner”: {
“x”: 0.5964,
“y”: 0.412
}
},
“atributos”: {
“hembra”: 0,14,
“hombre”: 0.86,
“menor”: 0.04,
“gafas de sol”: 0.2
}
},
{
“x1”: 0.6516,
“y1”: 0.3173,
“x2”: 0,7529,
“y2”: 0.5693,
“caracteristicas”: {
“ojo izquierdo”: {
“x”: 0.7493,
“y”: 0.4453
},
“Ojo derecho”: {
“x”: 0,7067,
“y”: 0.4253
},
“punta de la nariz”: {
“x”: 0.7404,
“y”: 0.4787
},
“left_mouth_corner”: {
“x”: 0.7342,
“y”: 0,52
},
“right_mouth_corner”: {
“x”: 0.6951,
“y”: 0.5027
}
},
“atributos”: {
“hembra”: 0,97,
“hombre”: 0.03,
“menor”: 0,37,
“gafas de sol”: 0.01
}
}
],
“medios”: {
“id”: “med_1Vmd6qHpJNWZy053MOT0L”,
“uri”: ” https://d3m9459r9kwism.cloudfront.net/img/examples/example-coup-1000.jpg&quot ;
}
}