一：环境配置搭建(VS2015+Opencv4.6)

OpenCV4基于C++基础入门笔记：OpenCV环境配置搭建

二：下资源文件

第一种：本地生成

第一步：进入自己的文件夹
        D:\OpenCV\opencv\sources\samples\dnn\face_detector


第二步：cmd命令行进入改目录下面去
        cd /d D:\OpenCV\opencv\sources\samples\dnn\face_detector

第三步：输入执行命令（如果你的目录下面没有download_weights.py文件夹，用第二种方法）
        Python download_weights.py

第二种直接下载

地址：data——>modelsa——>face_detector文件夹下载

三：代码展示

窗口布局

main.cpp

#include<opencv2/opencv.hpp>
#include<iostream>
#include<test.h>


using namespace std;
using namespace cv;
int main()
{
	//读取进来的数据以矩阵的形势
	Mat src = imread("F:/images/gril.jpg", IMREAD_ANYCOLOR);	    //第二个参数代表显示一张灰度图像

																	//看是否是空图片
	if (src.empty())
	{
		printf("图片不存在");
		return -1;
	}


    //在主函数中调用创建的类对象	
    QuickDemo qd;

	    //实时人脸检测
	    qd.face_detection_demo(src);

	waitKey(0);													   //执行到这句，程序阻塞。参数表示延时时间。单位ms毫秒
	destroyAllWindows();										   //销毁前面创建的显示窗口
	return 0;
}

test.h

#include<opencv2/opencv.hpp>
using namespace cv;

//创建一个QuickDemo对象
class QuickDemo 
{
	public:

		//实时人脸检测
		void QuickDemo::face_detection_demo(Mat &image);
};

test.cpp

#include<test.h>
#include<opencv2/dnn.hpp> 

//命名空间
using namespace cv;
using namespace std;



//实时人脸检测
void QuickDemo::face_detection_demo(Mat &image) {
	//自己opencv的face_detector文件夹路径
	std::string root_dir = "D:/OpenCV/opencv/sources/samples/dnn/face_detector/";

	//读取以TensorFlow框架格式存储的网络文件
		//opencv_face_detector_uint8.pb模型		opencv_face_detector.pbtxt配置文件
	dnn::Net net = dnn::readNetFromTensorflow(root_dir + "opencv_face_detector_uint8.pb", root_dir + "opencv_face_detector.pbtxt");

	//第一种：对本地视频进行识别
		//自己视频的地址
		VideoCapture capture("F:/images/kunkun.mp4");
	//第二种：摄像头进行人脸检测
		//VideoCapture capture(0);

	// 定义一个Mat对象，用于存储捕获到的视频帧
	Mat frame;
	while (true) {
		// 从摄像头捕获一帧视频，并将捕获到的视频帧传入frame
		capture.read(frame);

		// 如果捕获到的视频帧为空，跳出循环
		if (frame.empty()) {
			break;
		}

		//左右翻转
		//flip(frame, frame, 1);

		//DNN模块从图像创建blob的过程:从给定的图像帧创建一个blob，该blob可以用于深度学习模型的输入
			//参数：输入的图像帧，图像缩放的因子，图像裁剪的大小，图像的色彩空间转换，后面2个参数是确定图像是否需要进行翻转或旋转的标记
		Mat blob = dnn::blobFromImage(frame, 1.0, Size(300, 300), Scalar(104, 177, 123), false, false);

		// 设置深度学习模型的输入：将blob作为模型的输入。blob是一个包含了图像数据的矩阵，通常用于模型的输入层
		net.setInput(blob);			

		//是OpenCV中DNN模块的一个函数，用于前向传播计算模型的输出
		Mat probs = net.forward();	//计算模型的预测结果

		//从预测结果中获取人脸检测的矩阵
		//新的Mat对象detectionMat:它的大小是probs的第二维和第三维的大小，数据类型为32位浮点数（对应于OpenCV中的CV_32F）
		Mat detectionMat(probs.size[2], probs.size[3], CV_32F, probs.ptr<float>());
			
		// 解析检测结果，对每一个检测到的人脸进行处理
		for (int i = 0; i < detectionMat.rows; i++) {

			//从detectionMat矩阵中提取第i行、第2列的元素，并将其存储在confidence变量中
			// 获取检测到的人脸的概率（即得分），如果得分大于0.5，则认为检测到了人脸
			float confidence = detectionMat.at<float>(i, 2);	// 第三个值 得分

			if (confidence > 0.5) {
				// 因为预测来的值为[0,1]范围的数，我们还需要*原图像的宽度和长度，得到实际的位置坐标

				//从detectionMat中获取第i行、第3列的元素，也就是每个检测到的对象的置信度（confidence）
				//这是深度学习模型输出的一个值，表示模型对检测结果的信任程度
					//第1个坐标的起始位置
						//表示1个坐标或边界的起始位置的x坐标。
						int x1 = static_cast<int>(detectionMat.at<float>(i, 3)*frame.cols);	//frame.cols帧的列数
						//表示1个坐标或边界的起始位置的y坐标。
						int y1 = static_cast<int>(detectionMat.at<float>(i, 4)*frame.rows);
					//第2个坐标的起始位置
						int x2 = static_cast<int>(detectionMat.at<float>(i, 5)*frame.cols);
						int y2 = static_cast<int>(detectionMat.at<float>(i, 6)*frame.rows);

				// 在原图像上画出检测到的人脸的位置框，并用红色边框显示出来
					//左上角坐标（x1，y1）和右下角坐标（x2，y2）
					Rect box(x1, y1, x2 - x1, y2 - y1);
					//画矩形：原始图像,坐标，红色,线条宽度为2,线条类型为8,没有填充
					rectangle(frame, box, Scalar(0, 0, 255), 2, 8, 0);
			}
		}



		imshow("人脸检测演示", frame);
		int c = waitKey(1);
		if (c == 27) { 
			break;// 退出
		}
	}
	capture.release();	//释放资源
}

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/872812.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！