Java+OpenCV 实现图片中的人脸识别
经过前三个教程,我们可以知道了OpenCV的基本使用了。
今天,我们就要讲OpenCV中认出,这是一个人脸是怎么做的。
MatOfRect.detectMultiScale函数
OpenCV用的是detectMultiScale来认出这是一个脸的。记得,这只是认出这是一个脸,而不是这个脸是谁。
这个脸是谁我们会逐步展开,前面勿求夯实基础。
detectMultiScale需要两个参数(Mat src, MatOfRect objDetections);
- 第一个函数,是传入的图片,带有人脸的图片;
- 第二个函数,是把所有的这个图片里的人脸得到并输出到MatOfRect对象里;
比如说下面这个图片里,一共有5个脸,我们把脸一个个识别出来并在脸上用方框把它们标记出来。
然后用我们前面教程中提到的ImageViewer类来显示带有“标识”的人脸。
实现代码
ImageViewer.java
再上一遍
package org.mk.opencv; import org.mk.opencv.util.OpenCVUtil; import org.opencv.core.Mat; import javax.swing.*; import java.awt.*; public class ImageViewer { private JLabel imageView; private Mat image; private String windowName; private JFrame frame = null; public ImageViewer() { frame = createJFrame(windowName, 800, 600); } public ImageViewer(Mat image) { this.image = image; } /** * @param image 要显示的mat * @param windowName 窗口标题 */ public ImageViewer(Mat image, String windowName) { frame = createJFrame(windowName, 1024, 768); this.image = image; this.windowName = windowName; } public void setTitle(String windowName) { this.windowName = windowName; } public void setImage(Mat image) { this.image = image; } /** * 图片显示 */ public void imshow() { setSystemLookAndFeel(); frame.pack(); frame.setLocationRelativeTo(null); frame.setVisible(true); frame.setDefaultCloseOperation(JFrame.EXIT_ON_CLOSE);// 用户点击窗口关闭 if (image != null) { Image loadedImage = OpenCVUtil.matToImage(image); // JFrame frame = createJFrame(windowName, image.width(), image.height()); imageView.setIcon(new ImageIcon(loadedImage)); frame.pack(); // frame.setLocationRelativeTo(null); // frame.setVisible(true); // frame.setDefaultCloseOperation(JFrame.EXIT_ON_CLOSE);// 用户点击窗口关闭 } } private void setSystemLookAndFeel() { try { UIManager.setLookAndFeel(UIManager.getSystemLookAndFeelClassName()); } catch (ClassNotFoundException e) { e.printStackTrace(); } catch (InstantiationException e) { e.printStackTrace(); } catch (IllegalAccessException e) { e.printStackTrace(); } catch (UnsupportedLookAndFeelException e) { e.printStackTrace(); } } private JFrame createJFrame(String windowName, int width, int height) { JFrame frame = new JFrame(windowName); imageView = new JLabel(); final JScrollPane imageScrollPane = new JScrollPane(imageView); imageScrollPane.setPreferredSize(new Dimension(width, height)); frame.add(imageScrollPane, BorderLayout.CENTER); frame.setDefaultCloseOperation(WindowConstants.EXIT_ON_CLOSE); return frame; } }
DetectFace.java
这个是主类。
老三样:
1.加载opencv_java343.dll;
2.加载人脸分拣器;
3.创建Mat对象;
然后我们开始把脸识别出来:
1.使用detectMultiScale把传入的Mat对象中含有脸的那些全部识别出来;
2.识别出来后我们可以使用for (Rect rect : objDetections.toArray())把所有的脸枚举出来;
3.使用Imgproc.rectangle在每个识别出来的脸上用“绿”色把它们一个个框出来;
4.使用ImageViewer的.imgShow显示标识出来的脸;
package org.mk.opencv; import org.opencv.core.Core; import org.opencv.core.Mat; import org.opencv.core.MatOfRect; import org.opencv.core.Point; import org.opencv.core.Rect; import org.opencv.core.Scalar; import org.opencv.imgcodecs.Imgcodecs; import org.opencv.imgproc.Imgproc; import org.opencv.objdetect.CascadeClassifier; public class DetectFace { public static void main(String[] args) { System.loadLibrary(Core.NATIVE_LIBRARY_NAME); //Mat src = Imgcodecs.imread("/Users/chrishu123126.com/opt/img/detect-face-4.jpg"); Mat src = Imgcodecs.imread("D:\\opencv-demo\\green-arrow.jpg"); if (src.empty()) { System.out.println("图片路径不正确"); return; } Mat dst = dobj(src); ImageViewer imageViewer = new ImageViewer(dst, "识脸"); imageViewer.imshow(); } private static Mat dobj(Mat src) { Mat dst = src.clone(); CascadeClassifier objDetector = new CascadeClassifier( "D:\\opencvinstall\\build\\install\\etc\\lbpcascades\\lbpcascade_frontalface.xml"); MatOfRect objDetections = new MatOfRect(); objDetector.detectMultiScale(dst, objDetections); if (objDetections.toArray().length <= 0) { return src; } for (Rect rect : objDetections.toArray()) { Imgproc.rectangle(dst, new Point(rect.x, rect.y), new Point(rect.x + rect.width, rect.y + rect.width), new Scalar(0, 255, 0), 1); //new Scalar(0, 255, 0), 1)绿 //new Scalar(0, 0, 255), 1)红 //new Scalar(255, 0, 0), 1)蓝 } return dst; } }
运行
运行效果如下
把识别出来的脸存成文件
我们现在把识别出来的5张脸存成5个jpg图片。
制作一个写盘函数,很简单。
private static void outputFace(String outputDir, Mat face) { long millSecs = System.currentTimeMillis(); int temp = (int) (Math.random() * 10000); StringBuffer outputImgName = new StringBuffer(); outputImgName.append(outputDir).append("/").append(millSecs).append(temp).append(".jpg"); if (face != null) { Imgcodecs.imwrite(outputImgName.toString(), face); logger.info(">>>>>>write image into->" + outputDir); } }
然后我们在我们的原来的代码中加入这个函数
package org.mk.opencv; import org.apache.log4j.Logger; import org.mk.opencv.face.FaceRecogFromFiles; import org.opencv.core.Core; import org.opencv.core.Mat; import org.opencv.core.MatOfRect; import org.opencv.core.Point; import org.opencv.core.Rect; import org.opencv.core.Scalar; import org.opencv.imgcodecs.Imgcodecs; import org.opencv.imgproc.Imgproc; import org.opencv.objdetect.CascadeClassifier; public class DetectFace { private static Logger logger = Logger.getLogger(DetectFace.class); private final static String faceOutPutDir = "d://opencv-demo/face"; public static void main(String[] args) { System.loadLibrary(Core.NATIVE_LIBRARY_NAME); // Mat src = // Imgcodecs.imread("/Users/chrishu123126.com/opt/img/detect-face-4.jpg"); Mat src = Imgcodecs.imread("D:\\opencv-demo\\green-arrow.jpg"); if (src.empty()) { System.out.println("图片路径不正确"); return; } Mat dst = dobj(src); ImageViewer imageViewer = new ImageViewer(dst, "识脸"); imageViewer.imshow(); } private static Mat dobj(Mat src) { Mat dst = src.clone(); CascadeClassifier objDetector = new CascadeClassifier( "D:\\opencvinstall\\build\\install\\etc\\lbpcascades\\lbpcascade_frontalface.xml"); MatOfRect objDetections = new MatOfRect(); objDetector.detectMultiScale(dst, objDetections); if (objDetections.toArray().length <= 0) { return src; } for (Rect rect : objDetections.toArray()) { Imgproc.rectangle(dst, new Point(rect.x, rect.y), new Point(rect.x + rect.width, rect.y + rect.width), new Scalar(0, 255, 0), 1); // new Scalar(0, 255, 0), 1)绿 //new Scalar(0, 0, 255), 1)红 //new // Scalar(255, 0, 0), 1)蓝 outputFace(faceOutPutDir, src.submat(rect)); } return dst; } private static void outputFace(String outputDir, Mat face) { long millSecs = System.currentTimeMillis(); int temp = (int) (Math.random() * 10000); StringBuffer outputImgName = new StringBuffer(); outputImgName.append(outputDir).append("/").append(millSecs).append(temp).append(".jpg"); if (face != null) { Imgcodecs.imwrite(outputImgName.toString(), face); logger.info(">>>>>>write image into->" + outputDir); } } }
运行DetectFace.java,我们可以在D:\opencv-demo\face目录中得到5个写出的人脸的图片。
到此这篇关于Java+OpenCV实现图片中的人脸识别的文章就介绍到这了,更多相关Java OpenCV人脸识别内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持!
上一篇: 利用 AnalyticDB 轻松进行图谱搜索和人脸检索
下一篇: pytorch 检测图片中是否有人
推荐阅读
-
微信 "扫一扫 "物联网,全面揭秘 "扫一扫 "背后的扫盲技术!-1.1 扫一扫感知物体是做什么的? 1.1 微信扫一扫是做什么的? 扫一扫识物是指以图片或视频(商品图片:鞋/包/美妆/服饰/家电/玩具/图书/食品/珠宝/家具/其他商品)为输入媒介,挖掘微信内容生态中的有价值信息(电商+百科+资讯,如图1所示),并展示给用户。这里的电商基本涵盖了微信小程序覆盖上亿SKU的全量优质电商,可以支持用户货比N家并直接下单购买,百科和资讯则聚合了微信内的头部自媒体如搜狗、搜搜、百度等,向用户展示和分享拍摄商品相关的内容资讯。 图 1 扫一扫识别功能示意图 欢迎大家更新iOS新版微信→扫一扫→识货,亲自体验,也欢迎大家通过识货界面的反馈按钮向我们提交反馈意见。 扫一扫识物实景图展示 1.2 扫一扫识物有哪些使用场景? 扫一扫识物的目的是为用户访问微信内部生态内容开辟一个新窗口,以用户扫图片为输入形式,为用户提供微信生态内容中的百科、资讯、电商等作为展示页面。除了用户熟悉的扫一扫操作外,我们还将进一步拓展长按操作,让用户更方便地进行扫一扫操作。"扫一扫知事 "的落地场景主要涵盖三大部分: a. 科普知识: a.科普知识。用户通过扫一扫,可以在微信生态圈中获取该对象的百科、资讯等常识或趣闻,帮助用户更好地了解该对象; b.购物场景。同样的搜索功能支持用户看到喜欢的商品立即检索到微信小程序电商中的同款商品,支持用户即扫即购; c.广告场景。扫一扫识别物体可以辅助公众号文章、视频更好地理解其中蕴含的图片信息,从而更好地投放匹配广告,提高点击率。 1.3 Sweep Sense 为 Sweep 家族带来了哪些新技术? 对于扫一扫来说,大家耳熟能详的应该就是扫一扫二维码、扫一扫小程序码、扫一扫条形码、扫一扫翻译了。无论是各种形式的编码还是文字字符,都可以看作是图片的一种特定编码形式,而物的识别则是对自然场景图片的识别,这对于扫一扫家族来说是一个质的飞跃,我们希望从物的识别入手,进一步拓展扫一扫对自然场景图片的理解能力,比如扫酒、扫车、扫植物、扫人脸等服务,如下图3所示。 图 3 Sweep 家族
-
人工智能的 Java AI 实现--我在 Github 上找到了--基于 Java 的计算机视觉人脸识别 Java 实现(开源代码--(人脸识别--自动驾驶--汽车跟踪--手写数字识别器))带你导入代码并测试使用--四、测试运行
-
纯干货分享 | 研发效能提升——敏捷需求篇-而敏捷需求是提升效能的方式中不可或缺的模块之一。 云智慧的敏捷教练——Iris Xu近期在公司做了一场分享,主题为「敏捷需求挖掘和组织方法,交付更高业务价值的产品」。Iris具有丰富的团队敏捷转型实施经验,完成了企业多个团队从传统模式到敏捷转型的落地和实施,积淀了很多的经验。 这次分享主要包含以下2个部分: 第一部分是用户影响地图 第二部分是事件驱动的业务分析Event driven business analysis(以下简称EDBA) 用户影响地图,是一种从业务目标到产品需求映射的需求挖掘和组织的方法。 在软件开发过程中可能会遇到一些问题,比如大家使用不同的业务语言、技术语言,造成角色间的沟通阻碍,还会导致一些问题,比如需求误解、需求传递错误等;这会直接导致产品的功能需求和要实现的业务目标不是映射关系。 但在交付期间,研发人员必须要将这些需求实现交付,他们实则并不清楚这些功能需求产生的原因是什么、要解决客户的哪些痛点。研发人员往往只是拿到了解决方案,需要把它实现,但没有和业务侧一起去思考解决方案是否正确,能否真正的帮助客户解决问题。而用户影响地图通常是能够连接业务目标和产品功能的一种手段。 我们在每次迭代里加入的假设,也就是功能需求。首先把它先实现,再逐步去验证我们每一个小目标是否已经实现,再看下一个目标要是什么。那影响地图就是在这个过程中帮我们不断地去梳理目标和功能之间的关系。 我们在软件开发中可能存在的一些问题 针对这些问题,我们如何避免?先简单介绍做敏捷转型的常规思路: 先做团队级的敏捷,首先把产品、开发、测试人员,还有一些更后端的人员比如交互运维的同学放在一起,组成一个特训团队做交付。这个团队要包含交付过程中所涉及的所有角色。 接着业务敏捷要打通整个业务环节和研发侧的一个交付。上图中可以看到在敏捷中需求是分层管理的,第一层是业务需求,在这个层级是以用户目标和业务目标作为输入进行规划,同时需要去考虑客户的诉求。业务人员通过获取到的业务需求,进一步的和团队一起将其分解为产品需求。所以业务需求其实是我们真正去发布和运营的单元,它可以被独立发布到我们的生产环境上。我们的产品需求其实就是产品的具体功能,它是我们集成和测试的对象,也就是我们最终去部署到系统上的一个基本单元。产品需求再到了我们的开发团队,映射到迭代计划会上要把它分解为相应的技术任务,包括我们平时所说的比如一些前端的开发、后端的开发、测试都是相应的技术任务。所以业务敏捷要达到的目标是需要去持续顺畅高质量的交付业务价值。 将这几个点串起来,形成金字塔结构。最上层我们会把业务目标放在整个金字塔的塔尖。这个业务目标是通过用户的目标以及北极星指标确立的。确认业务目标后再去梳理相应的业务流程,最后生产。另外产品需求包含了操作流程和业务规则,具需求交付时间、工程时间以及我们的一些质量标准的要求。 谈到用户影响的地图,在敏捷江湖上其实有一个传说,大家都有一个说法叫做敏捷需求的“任督二脉”。用户影响地图其实就是任脉,在黑客马拉松上用过的用户故事地图其实叫督脉。所以说用户影响地图是在用户故事地图之前,先帮我们去梳理出我们要做哪些东西。当我们真正识别出我们要实现的业务活动之后,用户故事地图才去梳理我们整个的业务工作流,以及每个工作流节点下所要包含的具体功能和用户故事。所以说用户影响地图需要解决的问题,我们包括以下这些: 首先是范围蔓延,我们在整张地图上,功能和对应的业务目标是要去有一个映射的。这就避免了一些在我们比如有很多干系人参与的会议上,那大家都有不同想法些立场,会提出很多需求(正确以及错误的需求)。这个时候我们会依据目标去看这些需求是否真的是会影响我们的目标。 这里提到的错误需求,比如是利益相关的人提出的、客户认为产品应该有的、某个产品经理需求分析师认为可以有的....但是这些功能在用户影响地图中匹配不到对应目标的话,就需要降低优先级或弃掉。另外,通常我们去制定解决方案的时候,会考虑较完美的实现,导致解决方案括很多的功能。这个时候关键目标至关重要,会帮助我们梳理筛选、确定优先级。 看一下用户影响到地图概貌 总共分为一个三层的结构: 第一层why,你的业务目标哪个是最重要的,为什么?涉及到的角色有哪些? 第二层how ,怎样产生影响?影响用户角色什么样的行为? (不需要去列出所有的影响,基于业务目标) 第三层what,最关键的是在梳理需求时不需一次把所有细节想全,这通常团队中经常遇到的问题。 我们用这个例子来看一下 这是一个客服中心的影响地图,业务目标是 3个月内不增加客服人数的前提下能支持1.5倍的用户数。此业务目标设定是符合 smart 原则的,specific非常的具体,miserable 是可以衡量的,action reoriented是面向活动的, real list 也是很实际的。 量化的目标会指引我们接下来的行动,梳理一个业务目标,尽量去量化,比如 :我们通过打造一条什么样的流水线,能够提高整个部署的效率,时间是原来的 1/2 。这样才是一个能量化的有意义的目标。 回到这幅图, how 层级识别出来的内容,客服角色:想要对它施加的影响,把客户引导到论坛上,帮助客户更容易的跟踪问题,更快速的去定位问题。初级用户:方论坛上找到问题。高级用户:在论坛上回答问题。通过我们这些用户角色,进行活动,完成在不增加客户客服人数的前提下支持更多的用户数量。 最后一个层级,才是我们日常接触比较多的真正的功能的特性和需求,比如引导到客户到论坛上,其实这个产品就需要有一个常见问题的论坛的链接。这个层次需要我们团队进一步地在交付,在每个迭代之前做进一步的梳理,细化成相应的用户故事。 这个是云智慧团队中,自己做的影响地图的范例,可以看下整个的层级结构。序号表示优先级。 那我们用户影响地图可以总结为:
-
明星专家系统的 Python 实现:自动人脸识别比较
-
基于 Opencv 的人脸识别(图像识别)的快速实现
-
HTML+JavaScript+CSS3实现人脸识别页面,前端抓取base64格式的照片以文件形式传递给后端,如果识别成功则跳转到主页面,失败则自动关闭人脸识别返回本页面+vue刷新页面没有空白页面闪烁
-
目标识别:如何从人脸图片中提取眼图、实时人脸眼球检测与识别
-
Java+OpenCV 实现图片中的人脸识别
-
人眼/人脸识别和实时编码处理的 Python opencv 实现
-
基于机器学习的人脸识别算法的设计与实现-- V. 总结