基于opencv,face_recognition和Face++的人脸位置检测

本文总结了opencv中的Haar Cascades和face_recognition，以及旷视face++接口3种人脸检测方法。 旷视face++的API文档地址： face_recognition项目地址： face_recognition官方推荐Linux或者macOS环境，经过验证在win10下也可以运行，环境如下： python3.6.7 pip install opencv-python，opencv4.0.1.23 pip install dlib，dlib19.7.0 pip install face_recognition，face_recognition1.2.3

1、使用opencv中的Haar Cascades检测人脸位置

# -*- coding:utf-8 -*-

import cv2
img_path = "..\data\imgs\solvay.jpg"
pathf = "haarcascade_frontalface_default.xml"
face_cascade = cv2.CascadeClassifier(haarcascade_frontalface_default.xml)
face_cascade.load(pathf)
im = cv2.imread(img_path)
face_ = face_cascade.detectMultiScale(im,
                                      scaleFactor=1.1,
                                      minNeighbors=10,
                                      flags=0|cv2.CASCADE_SCALE_IMAGE,
                                      minSize=(1,1))
cv2.namedWindow("result",cv2.WINDOW_NORMAL)
for _ in face_:
    lt = (_[0],_[1])
    rb = (_[0]+_[2],_[1]+_[3])
    cv2.rectangle(im,lt,rb,(0,200,0),2)
cv2.imshow("result",im)
cv2.imwrite("..\data\imgs\solvay_harr.jpg",im)
cv2.waitKey(0)

代码中的haarcascade_frontalface_default.xml可以在opencv的安装目录中找到，detectMultiScale方法的主要参数有5个，其中scaleFactor应该大于1，否则程序会报错，经过调参发现minNeighbors对最终结果影响较为明显，minNeighbors值较小会导致误检率增加，最终的结果如下图所示。 从上图可以看到右侧的两个人(应该是威尔逊和福勒)没有被识别出来。下面使用face_recognition来进行检测。

2、使用face_recognition检测人脸位置

# -*- coding:utf-8 -*-

import cv2
import face_recognition

img_path = "..\data\imgs\solvay.jpg"
im_fr = face_recognition.load_image_file(img_path)
face_ = face_recognition.face_locations(im_fr,number_of_times_to_upsample=1,model="cnn")
print(face_)

im = cv2.imread(img_path)
print("img size ",im.shape)
cv2.namedWindow("result",cv2.WINDOW_NORMAL)
for _ in face_:
    top, right, bottom, left = _
    cv2.rectangle(im,(left, top), (right, bottom),(0,200,0),2)
cv2.imshow("result",im)
cv2.imwrite("..\data\imgs\solvay_cnn.jpg",im)
cv2.waitKey(0)

face_recognition中检测出来的人脸位置坐标数组和opencv中的数组含义不一样，差异如下：

1. opencv中为 [left_top_x,left_top_y,width,height]
2. face_recognition中为 [left_top_y,right_bottom_x,right_bottom_y,left_top_x]

所以在用cv2.rectangle画矩形框的时候代码有些不同。检测结果如下图所示，从图中可以看出所有的人脸都被检测出来了。

以上两种方法的比较

检测效果：face_recogniton是基于cnn实现的检测，调参简单(本例中使用了默认参数number_of_times_to_upsample=1)，效果比较好。相对而言Haar Cascades可调的参数多，而且效果比较差，边缘部分的人脸没有识别出来。 计算速度：本例是在单cpu上进行的计算，从计算速度来看，Haar Cascades远远快于face_recogniton。

3、Face++接口 Face++注册帐号之后就可以免费使用API，API文档地址 下面的代码使用Detect API检测人脸

import requests
from json import JSONDecoder
import cv2

http_url ="https://api-cn.faceplusplus.com/facepp/v3/detect"
# 下面的key和secret是在Face++中创建api key获取的
key =""
secret =""
img_path ="./solvay.jpg"

data = {"api_key":key, "api_secret": secret}
img = {"image_file": open(img_path, "rb")}

response = requests.post(http_url, data=data, files=img)
req_con = response.content.decode(utf-8)
req_dict = JSONDecoder().decode(req_con)

face_counts = len(req_dict["faces"])
print("检测出人脸数量: ",face_counts)

im = cv2.imread(img_path)
for i in range(face_counts):
    pos = req_dict["faces"][i]["face_rectangle"]
    left = pos["left"]
    top = pos["top"]
    right = pos["left"]+pos["width"]
    bottom = pos["top"]+pos["height"]
    cv2.rectangle(im, (left, top), (right, bottom), color=(0,200,0),thickness=2)

cv2.namedWindow("",cv2.WINDOW_NORMAL)
cv2.imshow("",im)
cv2.waitKey(0)

下图是检测的结果