一、準備作業

1、下載人臉檢測用到的庫檔案，包括Tensorflow模型以及組態檔，如圖，庫檔案可以放在任意位置

2、加入頭檔案

二、函式原型

1、readNetFromTensorflow函式

作用：讀取Tensorflow模型以及組態檔

c++原型：

引數：

model: Tensorflow模型檔案（.pb檔案）
config: Tensorflow組態檔（.pbtxt檔案）

回傳值：讀到的dnn::Net型別的網路檔案

2、blobFromImage函式

作用：主要是用來對圖片進行預處理

c++原型：

引數：

image: 輸入影像
scalefactor：當我們將圖片減去平均值之后，還可以對剩下的像素值進行一定的尺度縮放，默認值是1.0，如果希望減去平均像素之后的值，全部縮小一半，那么可以將scalefactor設為0.5，
size：是我們神經網路在訓練的時候要求輸入的圖片尺寸
mean：需要將圖片整體減去的平均值，如果我們需要對RGB圖片的三個通道分別減去不同的值，那么可以使用3組平均值，如果只使用一組，那么就默認對三個通道減去一樣的值，
swapRB：是否要進行RB兩個通道的交換，默認false，OpenCV中認為我們的圖片通道順序是BGR，但是我平均值假設的順序是RGB，所以如果需要交換R和G，那么就為true
crop：是否要進行剪切，默認false

補充引數mean：

減去平均值為了消除同一場景下不同光照的圖片，對我們最終的分類或者神經網路的影響，我們常常對圖片的R、G、B通道的像素求一個平均值，然后將每個像素值減去我們的平均值，這樣就可以得到像素之間的相對值，就可以排除光照的影響，

三、實作思路及效果

1、思路

讀取Tensorflow模型以及組態檔
加載并讀取視頻
對圖片進行預處理
把預處理完的資料（NCHW）input到Tensorflow網路模型中去推理
獲取推理后的資料并重新構建Mat影像
決議結果（繪制矩形）
顯示影像

2、效果

2.1讀取攝像頭：實時人臉檢測

2.2讀取視頻，打開以下視頻查看（已上傳至優酷）

四、代碼

void test1::detect_face()
{
    String root_dir = "E:/qt-zqw/qt-workplace/opencvDemo1/face_detector/";
    //讀取Tensorflow模型以及組態檔
    dnn::Net net = dnn::readNetFromTensorflow(root_dir+"opencv_face_detector_uint8.pb",root_dir+"opencv_face_detector.pbtxt");//讀取深度學習Tensorflow模型
    VideoCapture capture("E:/images/images/example_dsh.mp4");//加載視頻
    Mat frame;
    while (true) {
        capture.read(frame);
        if(frame.empty())
        {
            break;
        }
        //讀模型
        Mat blob = dnn::blobFromImage(frame,1.0,Size(300,300),Scalar(104,177,123),false,false);
        net.setInput(blob);//blob就是 NCHW  多少個 通道數 高度 寬度
        //獲取資料
        Mat probs = net.forward();//獲取推理后的資料
        Mat detectionMat(probs.size[2],probs.size[3],CV_32F,probs.ptr<float>());//構建Mat影像
        //決議結果
        for(int i=0;i<detectionMat.rows;i++)
        {
            float con = detectionMat.at<float>(i,2);
            if(con>0.5)//大于0.5就是人臉
            {
                //獲取矩形坐標（第3,4,5,6引數）
                int x1 = static_cast<int>(detectionMat.at<float>(i,3)*frame.cols);
                int y1 = static_cast<int>(detectionMat.at<float>(i,4)*frame.rows);
                int x2 = static_cast<int>(detectionMat.at<float>(i,5)*frame.cols);
                int y2 = static_cast<int>(detectionMat.at<float>(i,6)*frame.rows);
                Rect box(x1,y1,x2-x1,y2-y1);
                rectangle(frame,box,Scalar(0,0,255),2,8,0);
            }
        }
        imshow("detect_face",frame);
        int c = waitKey(1);
        if(c ==27)
        {
            break;

        }
    }
}

VideoCapture capture("E:/images/images/example_dsh.mp4");把引數換成0即為讀取攝像頭

原創不易，轉載請注明出處：

Qt+OpenCV聯合開發（二十九）--實時人臉檢測案例

轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/423602.html

標籤：AI

上一篇：NumPy快速入門（三）——陣列進階操作

下一篇：影像特征—FAST關鍵點