Python+Opencv实战之人脸追踪详解

作者:盼小辉丶 时间:2022-09-22 16:03:38 

前言

人脸处理是人工智能中的一个热门话题,人脸处理可以使用计算机视觉算法从人脸中自动提取大量信息,例如身份、意图和情感;而目标跟踪试图估计目标在整个视频序列中的轨迹,其中只有目标的初始位置是已知的,将这两者进行结合将产生许多有趣的应用。由于外观变化、遮挡、快速运动、运动模糊和比例变化等多种因素,人脸追踪非常具有挑战性。

人脸追踪技术简介

基于判别相关滤波器 (discriminative correlation filter, DCF) 的视觉 * 具有优异的性能和较高的计算效率,可用于实时应用程序。DCF * 是一种非常流行的基于边界框跟踪的方法。

dlib 库中实现了基于 DCF 的 * ,可以很方便的将其用于对象跟踪。在本文中,我们将介绍如何使用此 * 进行人脸和用户选择对象的跟踪,这种方法也称为判别尺度空间 * (Discriminative Scale Space Tracker, DSST), * 仅需要输入原始视频和目标初始位置的边界框,然后 * 自动预测目标的轨迹。

使用基于 dlib DCF 的 * 进行人脸跟踪

在进行人脸追踪时,我们首先使用 dlib 人脸检测器进行初始化,然后使用基于 dlib DCF 的 * DSST 进行人脸跟踪。调用以下函数初始化相关 * :


tracker = dlib.correlation_tracker()

这将使用默认值 (filter_size = 6, num_scale_levels = 5, scale_window_size = 23, regularizer_space = 0.001, nu_space = 0.025, regularizer_scale = 0.001, nu_scale = 0.025, scale_pyramid_alpha = 1.020) 初始化 * 。 filter_size num_scale_levels 的值越大,跟踪精度越高,但它需要算力也更大;filter_size 的推荐使用值为 5、6 和 7;num_scale_levels 的推荐使用值为 4、5 和 6。

使用 tracker.start_track() 可以开始跟踪。在开始追踪前,我们需要先执行人脸检测,并将检测到的人脸位置传递给这个方法:


if tracking_face is False:
   gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
   # 尝试检测人脸以初始化 *
   rects = detector(gray, 0)
   # 检查是否检测到人脸
   if len(rects) > 0:
       # 开始追踪
       tracker.start_track(frame, rects[0])
       tracking_face = True

当检测到人脸后,人脸 * 将开始跟踪边界框内的内容。为了更新被跟踪对象的位置,需要调用 tracker.update() 方法:


tracker.update(frame)

tracker.update() 方法更新 * 并返回衡量 * 置信度的指标,此指标可用于使用人脸检测重新初始化 * 。

要获取被跟踪对象的位置,需要调用 tracker.get_position() 方法:


pos = tracker.get_position()

tracker.get_position() 方法返回被跟踪对象的位置。最后,绘制人脸的预测位置:


cv2.rectangle(frame, (int(pos.left()), int(pos.top())), (int(pos.right()), int(pos.bottom())), (0, 255, 0), 3)

下图中,显示了人脸跟踪算法的跟踪效果过程:

Python+Opencv实战之人脸追踪详解

在上图中,可以看到算法当前正在跟踪检测到的人脸,同时还可以按数字 1 以重新初始化跟踪。

完整代码

完整代码如下所示,同时我们需要提供按下数字 1 时重新初始化 * 的选项。


import cv2
import dlib

def draw_text_info():
   # 绘制文本的位置
   menu_pos_1 = (10, 20)
   menu_pos_2 = (10, 40)
   # 绘制菜单信息
   cv2.putText(frame, "Use '1' to re-initialize tracking", menu_pos_1, cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255))
   if tracking_face:
       cv2.putText(frame, "tracking the face", menu_pos_2, cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0))
   else:
       cv2.putText(frame, "detecting a face to initialize tracking...", menu_pos_2, cv2.FONT_HERSHEY_SIMPLEX, 0.5,
                   (0, 0, 255))

# 创建视频捕获对象
capture = cv2.VideoCapture(0)
# 加载人脸检测器
detector = dlib.get_frontal_face_detector()
# 初始化 *
tracker = dlib.correlation_tracker()
# 当前是否在追踪人脸
tracking_face = False

while True:
   # 捕获视频帧
   ret, frame = capture.read()
   # 绘制基本信息
   draw_text_info()

if tracking_face is False:
       gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
       # 尝试检测人脸以初始化 *
       rects = detector(gray, 0)
       # 通过判断是否检测到人脸来决定是否启动追踪
       if len(rects) > 0:
           # Start tracking:
           tracker.start_track(frame, rects[0])
           tracking_face = True

if tracking_face is True:
       # 更新 * 并打印测量 * 的置信度
       print(tracker.update(frame))
       # 获取被跟踪对象的位置
       pos = tracker.get_position()
       # 绘制被跟踪对象的位置
       cv2.rectangle(frame, (int(pos.left()), int(pos.top())), (int(pos.right()), int(pos.bottom())), (0, 255, 0), 3)
   # 捕获键盘事件
   key = 0xFF & cv2.waitKey(1)

# 按 1 初始化 *
   if key == ord("1"):
       tracking_face = False
   # 按 q 退出
   if key == ord('q'):
       break
   # 显示结果
   cv2.imshow("Face tracking using dlib frontal face detector and correlation filters for tracking", frame)
# 释放所有资源
capture.release()
cv2.destroyAllWindows()

使用基于 dlib DCF 的 * 进行对象跟踪

除了人脸外,基于 dlib DCF 的 * 可以用于跟踪任意对象。接下来,我们使用鼠标选择要跟踪的对象,并监听键盘事件,如果按 1,将开始跟踪预定义边界框内的对象;如果按 2,预定义的边界框将被清空,跟踪算法将停止,并等待用户选择另一个边界框。

例如,我们对检测小姐姐并不感兴趣,而更喜欢猫,那么我们可以首先用鼠标绘制矩形框选择喵咪,然后按 1 开始追踪小猫咪,如果我们想要追踪其他物体,可以按 2 重新绘制矩形框并进行追踪。如下所示,我们可以看到算法跟踪对象并进行实时输出:

Python+Opencv实战之人脸追踪详解

完整代码

完整代码如下所示:


import cv2
import dlib

def draw_text_info():
   # 绘制文本的位置
   menu_pos_1 = (10, 20)
   menu_pos_2 = (10, 40)
   menu_pos_3 = (10, 60)
   # 菜单项
   info_1 = "Use left click of the mouse to select the object to track"
   info_2 = "Use '1' to start tracking, '2' to reset tracking and 'q' to exit"

# 绘制菜单信息
   cv2.putText(frame, "Use '1' to re-initialize tracking", menu_pos_1, cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255))
   cv2.putText(frame, info_2, menu_pos_2, cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255))
   if tracking_state:
       cv2.putText(frame, "tracking", menu_pos_3, cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0))
   else:
       cv2.putText(frame, "not tracking", menu_pos_3, cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255))

# 用于保存要跟踪的对象坐标的结构
points = []

def mouse_event_handler(event, x, y, flags, param):
   # 对全局变量的引用
   global points
   # 添加要跟踪的对象的左上角坐标
   if event == cv2.EVENT_LBUTTONDOWN:
       points = [(x, y)]
   # 添加要跟踪的对象的右下角坐标:
   elif event == cv2.EVENT_LBUTTONUP:
       points.append((x, y))
# 创建视频捕获对象
capture = cv2.VideoCapture(0)

# 窗口名
window_name = "Object tracking using dlib correlation filter algorithm"
# 创建窗口
cv2.namedWindow(window_name)
# 绑定鼠标事件
cv2.setMouseCallback(window_name, mouse_event_handler)

# 初始化 *
tracker = dlib.correlation_tracker()
tracking_state = False
while True:
   # 捕获视频帧
   ret, frame = capture.read()
   # 绘制菜单项
   draw_text_info()

# 设置并绘制一个矩形,跟踪矩形框内的对象
   if len(points) == 2:
       cv2.rectangle(frame, points[0], points[1], (0, 0, 255), 3)
       dlib_rectangle = dlib.rectangle(points[0][0], points[0][1], points[1][0], points[1][1])

if tracking_face is True:
       # 更新 * 并打印测量 * 的置信度
       print(tracker.update(frame))
       # 获取被跟踪对象的位置
       pos = tracker.get_position()
       # 绘制被跟踪对象的位置
       cv2.rectangle(frame, (int(pos.left()), int(pos.top())), (int(pos.right()), int(pos.bottom())), (0, 255, 0), 3)

# 捕获键盘事件
   key = 0xFF & cv2.waitKey(1)

# 按下 1 键,开始追踪
   if key == ord("1"):
       if len(points) == 2:
           # Start tracking:
           tracker.start_track(frame, dlib_rectangle)
           tracking_state = True
           points = []
   # 按下 2 键,停止跟踪
   if key == ord("2"):
       points = []
       tracking_state = False
   # 按下 q 键,返回
   if key == ord('q'):
       break

# 展示结果图像
   cv2.imshow(window_name, frame)

# 释放资源
capture.release()
cv2.destroyAllWindows()

小结

dlib 库实现了基于 DCF 的 * ,非常适合用于进行人脸追踪,使用 dlib.correlation_tracker() 函数初始化 * ,tracker.start_track() 函数用于开始追踪对象,tracker.update() 函数更新 * 并且返回 * 置信度,若要获取被跟踪对象的位置需要使用 tracker.get_position() 函数。

 以上就是Python+Opencv实战之人脸追踪详解的详细内容,更多关于Python Opencv 人脸追踪的资料请关注脚本之家其它相关文章!

来源:https://blog.csdn.net/LOVEmy134611/article/details/121156026

标签:Python,Opencv,人脸追踪
0
投稿

猜你喜欢

  • js循环改变div颜色具体方法

    2024-04-19 10:29:45
  • Python 3.x基础实战检查磁盘可用空间

    2021-05-11 09:21:25
  • Oracle重建控制文件的实例教程

    2024-01-25 11:02:16
  • 自动定时重启sql server回收内存

    2008-11-26 17:41:00
  • 让大家看看Object标签的强大功能---多用途

    2009-02-21 10:18:00
  • Java数据库操作库DButils类的使用方法与实例详解

    2024-01-20 13:32:45
  • Go语言文件读取的一些总结

    2024-04-27 15:30:45
  • python安装读取grib库总结(推荐)

    2021-11-07 08:13:03
  • Python list与NumPy array 区分详解

    2021-08-25 04:12:37
  • python静态web服务器实现方法及代码详解

    2023-01-13 17:17:12
  • Python try except异常捕获机制原理解析

    2023-04-12 20:00:35
  • python实战教程之OCR文字识别方法汇总

    2021-09-20 05:36:21
  • 在Python的Tornado框架中实现简单的在线代理的教程

    2021-12-31 08:51:39
  • MySQL实现行列转换

    2024-01-18 20:56:17
  • 使用Python实现批量ping操作方法

    2021-04-06 02:55:34
  • 给我一面国旗 python帮你实现

    2022-04-06 07:23:32
  • python中datetime模块中strftime/strptime函数的使用

    2023-11-15 15:02:46
  • 不通过数据源名DSN也能访问Access数据库吗?

    2009-10-29 12:22:00
  • Python暴力破解Mysql数据的示例

    2024-01-23 17:29:37
  • 浅谈vue项目可以从哪些方面进行优化

    2024-05-09 15:19:50
  • asp之家 网络编程 m.aspxhome.com