IT评测·应用市场-qidao123.com

标题: JavaCV人脸识别三部曲之三：识别和预览 [打印本页]

---

作者: 愛在花開的季節    时间: 2023-6-30 08:41
标题: JavaCV人脸识别三部曲之三：识别和预览
欢迎访问我的GitHub

这里分类和汇总了欣宸的全部原创(含配套源码)：https://github.com/zq2599/blog_demos

《JavaCV人脸识别三部曲》链接

• 《视频中的人脸保存为图片》
  
• 《训练》
  
• 《识别和预览》
  

本篇概览

• 作为《JavaCV人脸识别三部曲》的终篇，今天咱们要开发一个实用的功能：有人出现在摄像头中时，应用程序在预览窗口标注出此人的身份，效果如下图所示：
  
  
• 简单来说，本篇要做的事情如下：
  

• 理解重点概念：confidence
  
• 理解重点概念：threshold
  
• 编码
  
• 验证
  

• 今天编写的代码，主要功能如下图所示：
  
  

理解重点概念：confidence

• confidence和threshold是OpenCV的人脸识别中非常重要的两个概念，咱们先把这两个概念搞清楚，再去编码就非常容易了
  
• 假设，咱们用下面六张照片训练出包含两个类别的模型：
  
  
• 用一张新的照片去训练好的模型中做识别，如下图，识别结果有两部分内容：label和confidence
  
  
• 先说lable，这个好理解，与训练时的lable一致（回顾上一篇的代码，lable如下图红框所示），前面图中lable等于2，表示被判定为郭富城：
  
  
• 按照上面的说法，lable等于2就能确定照片中的人像是郭富城吗？
  
• 当然不能！！！此时confidence字段就非常重要了，先看JavaCV源码中对confidence的解释，如下图红框所示，我的理解是：与lable值相关联的置信度，或者说这张脸是郭富城的可能性：
  
  
• 如果理解为可能性，那么问题来了，这是个double型的值，这个值越大，表示可能性越大还是越小？
  
• 上图并没有明说，但是那一句e.g. distance，让我想起了机器学习中的K-means，此时我脑海中的画面如下：
  
  -若真如上图所示，那么显然confidence越小，是郭富城的可能性就越大了，接下来再去找一些权威的说法：
  
• OpenCV的官方论坛有个帖子的说法如下图：代码中的confidence变量属于命名不当，其含义不是可信度，而是与模型中的类别的距离：
  
  
• 再看第二个解释，如下图红框，说得很清楚了，值越小，与模型中类别的相似度越高，0表示完全匹配：
  
  
• 再看一个Stack Overflow的解释：
  
  
• 至此，相信您对confidence已经足够理解了，lable等于2，confidence=30.01，意思是：被识别照片与郭富城最相似，距离为30.01，距离越小，是郭富城的可能性越大
  

理解重点概念：threshold

• 在聊threshold之前，咱们先看一个场景，还是刘德华郭富城的模型，这次咱们拿喜洋洋的照片给模型识别，识别结果如下：
  
  
• 显然，模型不会告诉你照片里是谁，只会告诉你：和郭富城的距离是3000.01
  
• 看到这里，聪明的您可能会这么想：那我就写一段代码吧，识别结果的confidence如果太大（例如超过100），就判定用于识别的人不属于训练模型的任何一个类别
  
• 上述功能，OpenCV已经帮咱们想到了，那就是：threshold，翻译过来即门限，如果咱们设置了threshold等于100，那么，一旦距离超过100，OpenCV的lable返回值就是-1
  
• 理解了confidence和threshold，接下来可以写人脸识别的代码了，感谢咱们的充分准备，接下来是丝般顺滑的编码过程...
  

源码下载

• 《JavaCV人脸识别三部曲》的完整源码可在GitHub下载到，地址和链接信息如下表所示(https://github.com/zq2599/blog_demos)：
  

名称链接备注项目主页https://github.com/zq2599/blog_demos该项目在GitHub上的主页git仓库地址(https)https://github.com/zq2599/blog_demos.git该项目源码的仓库地址，https协议git仓库地址(ssh)git@github.com:zq2599/blog_demos.git该项目源码的仓库地址，ssh协议

• 这个git项目中有多个文件夹，本篇的源码在javacv-tutorials文件夹下，如下图红框所示：
  
  
• javacv-tutorials里面有多个子工程，《JavaCV人脸识别三部曲》系列的代码在simple-grab-push工程下：
  
  

编码：人脸识别服务

• 开始正式编码，今天咱们不会新建工程，而是继续使用《JavaCV的摄像头实战之一：基础》中创建的simple-grab-push工程
  
• 先定义一个Bean类PredictRlt.java，用来保存识别结果（lable和confidence字段）：
  

1. package com.bolingcavalry.grabpush.extend;
3. import lombok.Data;
5. @Data
6. public class PredictRlt {
7.     private int lable;
8.     private double confidence;
9. }

复制代码

• 然后把人脸识别有关的服务集中在RecognizeService.java中，方便主程序使用，代码如下，有几处要注意的地方稍后提到：
  

1. package com.bolingcavalry.grabpush.extend;
3. import com.bolingcavalry.grabpush.Constants;
4. import org.bytedeco.opencv.global.opencv_imgcodecs;
5. import org.bytedeco.opencv.opencv_core.Mat;
6. import org.bytedeco.opencv.opencv_core.Size;
7. import org.bytedeco.opencv.opencv_face.FaceRecognizer;
8. import org.bytedeco.opencv.opencv_face.FisherFaceRecognizer;
9. import static org.bytedeco.opencv.global.opencv_imgcodecs.IMREAD_GRAYSCALE;
10. import static org.bytedeco.opencv.global.opencv_imgproc.resize;
12. /**
13. * @author willzhao
14. * @version 1.0
15. * @description 把人脸识别的服务集中在这里
16. * @date 2021/12/12 21:32
17. */
18. public class RecognizeService {
20.     private FaceRecognizer faceRecognizer;
22.     // 推理结果的标签
23.     private int[] plabel;
25.     // 推理结果的置信度
26.     private double[] pconfidence;
28.     // 推理结果
29.     private PredictRlt predictRlt;
31.     // 用于推理的图片尺寸，要和训练时的尺寸保持一致
32.     private Size size= new Size(Constants.RESIZE_WIDTH, Constants.RESIZE_HEIGHT);
34.     public RecognizeService(String modelPath) {
35.         plabel = new int[1];
36.         pconfidence = new double[1];
37.         predictRlt = new PredictRlt();
38.         
39.         // 识别类的实例化，与训练时相同
40.         faceRecognizer = FisherFaceRecognizer.create();
41.         // 加载的是训练时生成的模型
42.         faceRecognizer.read(modelPath);
43.         // 设置门限，这个可以根据您自身的情况不断调整
44.         faceRecognizer.setThreshold(Constants.MAX_CONFIDENCE);
45.     }
47.     /**
48.      * 将Mat实例给模型去推理
49.      * @param mat
50.      * @return
51.      */
52.     public PredictRlt predict(Mat mat) {
53.         // 调整到和训练一致的尺寸
54.         resize(mat, mat, size);
56.         boolean isFinish = false;
58.         try {
59.             // 推理(这一行可能抛出RuntimeException异常，因此要补货，否则会导致程序退出)
60.             faceRecognizer.predict(mat, plabel, pconfidence);
61.             isFinish = true;
62.         } catch (RuntimeException runtimeException) {
63.             runtimeException.printStackTrace();
64.         }
66.         // 如果发生过异常，就提前返回
67.         if (!isFinish) {
68.             return null;
69.         }
71.         // 将推理结果写入返回对象中
72.         predictRlt.setLable(plabel[0]);
73.         predictRlt.setConfidence(pconfidence[0]);
75.         return predictRlt;
76.     }
77. }

复制代码

• 上述代码有以下几处需要注意：
  

• 构造方法中，通过faceRecognizer.setThreshold设置门限，我在实际使用中发现50比较合适，您可以根据自己的情况不断调整
  
• predict方法中，用于识别的图片要用resize方法调整大小，尺寸要和训练时的尺寸一致
  
• 实测发现，在一张照片中出现多个人脸时，faceRecognizer.predict可能抛出RuntimeException异常，因此这里要捕获异常，避免程序崩溃退出
  

编码：检测和识别

• 检测有关的接口DetectService.java，如下，和《JavaCV人脸识别三部曲之一：视频中的人脸保存为图片》中的完全一致：
  

1. package com.bolingcavalry.grabpush.extend;
3. import com.bolingcavalry.grabpush.Constants;
4. import org.bytedeco.javacv.Frame;
5. import org.bytedeco.javacv.OpenCVFrameConverter;
6. import org.bytedeco.opencv.opencv_core.*;
7. import org.bytedeco.opencv.opencv_objdetect.CascadeClassifier;
8. import static org.bytedeco.opencv.global.opencv_core.CV_8UC1;
9. import static org.bytedeco.opencv.global.opencv_imgcodecs.imwrite;
10. import static org.bytedeco.opencv.global.opencv_imgproc.*;
12. /**
13. * @author willzhao
14. * @version 1.0
15. * @description 检测工具的通用接口
16. * @date 2021/12/5 10:57
17. */
18. public interface DetectService {
20.     /**
21.      * 根据传入的MAT构造相同尺寸的MAT，存放灰度图片用于以后的检测
22.      * @param src 原始图片的MAT对象
23.      * @return 相同尺寸的灰度图片的MAT对象
24.      */
25.     static Mat buildGrayImage(Mat src) {
26.         return new Mat(src.rows(), src.cols(), CV_8UC1);
27.     }
28.    
29.     /**
30.      * 初始化操作，例如模型下载
31.      * @throws Exception
32.      */
33.     void init() throws Exception;
35.     /**
36.      * 得到原始帧，做识别，添加框选
37.      * @param frame
38.      * @return
39.      */
40.     Frame convert(Frame frame);
42.     /**
43.      * 释放资源
44.      */
45.     void releaseOutputResource();
46. }

复制代码

• 然后就是DetectService的实现类DetectAndRecognizeService .java，功能是用摄像头的一帧图片检测人脸，再拿检测到的人脸给RecognizeService做识别，完整代码如下，有几处要注意的地方稍后提到：
  

[code]package com.bolingcavalry.grabpush.extend;import lombok.extern.slf4j.Slf4j;import org.bytedeco.javacpp.Loader;import org.bytedeco.javacv.Frame;import org.bytedeco.javacv.OpenCVFrameConverter;import org.bytedeco.opencv.opencv_core.*;import org.bytedeco.opencv.opencv_objdetect.CascadeClassifier;import java.io.File;import java.net.URL;import java.util.Map;import static org.bytedeco.opencv.global.opencv_imgproc.*;/** * @author willzhao * @version 1.0 * @description 音频相关的服务 * @date 2021/12/3 8:09 */@Slf4jpublic class DetectAndRecognizeService implements DetectService {    /**     * 每一帧原始图片的对象     */    private Mat grabbedImage = null;    /**     * 原始图片对应的灰度图片对象     */    private Mat grayImage = null;    /**     * 分类器     */    private CascadeClassifier classifier;    /**     * 转换器     */    private OpenCVFrameConverter.ToMat converter = new OpenCVFrameConverter.ToMat();    /**     * 检测模型文件的下载地址     */    private String detectModelFileUrl;    /**     * 处理每一帧的服务     */    private RecognizeService recognizeService;    /**     * 为了显示的时候更加友好，给每个分类对应一个名称     */    private Map kindNameMap;    /**     * 构造方法     * @param detectModelFileUrl     * @param recognizeModelFilePath     * @param kindNameMap     */    public DetectAndRecognizeService(String detectModelFileUrl, String recognizeModelFilePath, Map kindNameMap) {        this.detectModelFileUrl = detectModelFileUrl;        this.recognizeService = new RecognizeService(recognizeModelFilePath);        this.kindNameMap = kindNameMap;    }    /**     * 音频采样对象的初始化     * @throws Exception     */    @Override    public void init() throws Exception {        // 下载模型文件        URL url = new URL(detectModelFileUrl);        File file = Loader.cacheResource(url);        // 模型文件下载后的完整地址        String classifierName = file.getAbsolutePath();        // 根据模型文件实例化分类器        classifier = new CascadeClassifier(classifierName);        if (classifier == null) {            log.error("Error loading classifier file [{}]", classifierName);            System.exit(1);        }    }    @Override    public Frame convert(Frame frame) {        // 由帧转为Mat        grabbedImage = converter.convert(frame);        // 灰度Mat，用于检测        if (null==grayImage) {            grayImage = DetectService.buildGrayImage(grabbedImage);        }        // 进行人脸识别，根据结果做处理得到预览窗口显示的帧        return detectAndRecoginze(classifier, converter, frame, grabbedImage, grayImage, recognizeService, kindNameMap);    }    /**     * 程序结束前，释放人脸识别的资源     */    @Override    public void releaseOutputResource() {        if (null!=grabbedImage) {            grabbedImage.release();        }        if (null!=grayImage) {            grayImage.release();        }        if (null==classifier) {            classifier.close();        }    }    /**     * 检测图片，将检测结果用矩形标注在原始图片上     * @param classifier 分类器     * @param converter Frame和mat的转换器     * @param rawFrame 原始视频帧     * @param grabbedImage 原始视频帧对应的mat     * @param grayImage 存放灰度图片的mat     * @param kindNameMap 每个分类编号对应的名称     * @return 标注了识别结果的视频帧     */    static Frame detectAndRecoginze(CascadeClassifier classifier,                                    OpenCVFrameConverter.ToMat converter,                                    Frame rawFrame,                                    Mat grabbedImage,                                    Mat grayImage,                                    RecognizeService recognizeService,                                    Map kindNameMap) {        // 当前图片转为灰度图片        cvtColor(grabbedImage, grayImage, CV_BGR2GRAY);        // 存放检测结果的容器        RectVector objects = new RectVector();        // 开始检测        classifier.detectMultiScale(grayImage, objects);        // 检测结果总数        long total = objects.size();        // 如果没有检测到结果，就用原始帧返回        if (total

---

欢迎光临 IT评测·应用市场-qidao123.com (https://dis.qidao123.com/)

Powered by Discuz! X3.4