人脸识别引擎SeetaFaceEngine中Alignment模块使用的测试代码
人脸识别引擎SeetaFaceEngine中Alignment模块用于检测人脸关键点，包括5个点，两个眼的中心、鼻尖、两个嘴角，以下是测试代码：
int test_alignment()
{std::vector<std::string> images{ "1.jpg", "2.jpg", "3.jpg", "4.jpeg", "5.jpeg", "6.jpg", "7.jpg", "8.jpg", "9.jpg", "10.jpg","11.jpeg", "12.jpg", "13.jpeg", "14.jpg", "15.jpeg", "16.jpg", "17.jpg", "18.jpg", "19.jpg", "20.jpg" };std::vector<int> count_faces{ 1, 2, 6, 0, 1, 1, 1, 2, 1, 1,1, 1, 1, 1, 1, 1, 1, 0, 8, 2 };const std::string path_images{ "E:/GitCode/Face_Test/testdata/" };seeta::FaceDetection detector("E:/GitCode/Face_Test/src/SeetaFaceEngine/FaceDetection/model/seeta_fd_frontal_v1.0.bin");detector.SetMinFaceSize(20);detector.SetMaxFaceSize(200);detector.SetScoreThresh(2.f);detector.SetImagePyramidScaleFactor(0.8f);detector.SetWindowStep(4, 4);seeta::FaceAlignment point_detector("E:/GitCode/Face_Test/src/SeetaFaceEngine/FaceAlignment/model/seeta_fa_v1.1.bin");for (auto name : images) {fprintf(stderr, "start detect image: %s\n", name.c_str());cv::Mat src_ = cv::imread(path_images + name, 1);if (src_.empty()) {fprintf(stderr, "read image error: %s\n", name.c_str());continue;}cv::Mat src;cv::cvtColor(src_, src, CV_BGR2GRAY);seeta::ImageData img_data;img_data.data = src.data;img_data.width = src.cols;img_data.height = src.rows;img_data.num_channels = 1;std::vector<seeta::FaceInfo> faces = detector.Detect(img_data);for (auto face : faces) {// Detect 5 facial landmarks: two eye centers, nose tip and two mouth cornersseeta::FacialLandmark points[5];point_detector.PointDetectLandmarks(img_data, face, points);cv::rectangle(src_, cv::Rect(face.bbox.x, face.bbox.y,face.bbox.width, face.bbox.height), cv::Scalar(0, 255, 0), 2);for (auto point : points) {cv::circle(src_, cv::Point(point.x, point.y), 2, cv::Scalar(0, 0, 255), 2);}}std::string save_result = path_images + "_" + name;cv::imwrite(save_result, src_);}int width = 200;int height = 200;cv::Mat dst(height * 5, width * 4, CV_8UC3);for (int i = 0; i < images.size(); i++) {std::string input_image = path_images + "_" + images[i];cv::Mat src = cv::imread(input_image, 1);if (src.empty()) {fprintf(stderr, "read image error: %s\n", images[i].c_str());return -1;}cv::resize(src, src, cv::Size(width, height), 0, 0, 4);int x = (i * width) % (width * 4);int y = (i / 4) * height;cv::Mat part = dst(cv::Rect(x, y, width, height));src.copyTo(part);}std::string output_image = path_images + "result.png";cv::imwrite(output_image, dst);return 0;
}
GitHub：https://github.com/fengbingchun/Face_Test
相关文章：
微软宣布 Win10 设备数突破8亿，距离10亿还远吗？
开发四年只会写业务代码，分布式高并发都不会还做程序员？ >>> 微软高管 Yusuf Mehdi 昨天在推特发布了一条推文，宣布运行 Windows 10 的设备数已突破 8 亿，比半年前增加了 1 亿。 根据之前的报道，两个月前 W…
领导者必须学会做的十件事情
在这个世界上你可以逃避很多事情并且仍然能够获得成功，但是有些事情你根本就无法走捷径。商业领导者们并不存在于真空之中。成功总是与竞争有关。你可能拥有伟大的产品、服务、概念、战略、团队等等，如果它不能从某种程度上超越竞争对手，这对…
人脸识别引擎SeetaFaceEngine中Identification模块使用的测试代码
人脸识别引擎SeetaFaceEngine中Identification模块用于比较两幅人脸图像的相似度，以下是测试代码：int test_recognize() {const std::string path_images{ "E:/GitCode/Face_Test/testdata/recognization/" };seeta::FaceDetection detector(&…
李沐亲授加州大学伯克利分校深度学习课程移师中国，现场资料新鲜出炉
2019 年 9 月 5 日，AI ProCon 2019 在北京长城饭店正式拉开帷幕。大会的第一天，以亚马逊首席科学家李沐面对面亲自授课完美开启！“大神”，是很多人对李沐的印象。除了是亚马逊首席科学家李，李沐还拥有多重身份…
对Python课的看法
学习Python已经有两周的时间了，我是计算机专业的学生，我抱着可以多了解一种语言的想法报了Python的选修课，从第一次听肖老师的课开始，我便感受到一种好久没有感受到的课堂氛围，感觉十分舒服，不再是那种高中…
维护学习的一点体会与看法
学习维护的知识也有2个月了，对于知识的学习也有一定的看法。接下来我就说一下我对学习的看法。首先，你要学会自学，无论是看书还是上网查资料，维护的知识很多很杂，想要人一下子来教是不可能。只能是自己慢慢的学。其次&…
Dlib简介及在windows7 vs2013编译过程
Dlib是一个C库，包含了许多机器学习算法。它是跨平台的，可以应用在Windows、Linux、Mac、embedded devices、mobile phones等。它的License是Boost Software License 1.0，可以商用。Dlib的主要特点可以参考官方网站：http://dlib.ne…
六大主题报告，四大技术专题，AI开发者大会首日精华内容全回顾
9月6-7日，2019中国AI开发者大会（AI ProCon 2019） 在北京拉开帷幕。本次大会由新一代人工智能产业技术创新战略联盟（AITISA）指导，鹏城实验室、北京智源人工智能研究院支持，专业中文IT技术社区CSD…
Git安装配置（Linux）
使用yum安装Git yum install git -y 编译安装 # 安装依赖关系 yum install curl-devel expat-devel gettext-devel openssl-devel zlib-devel # 编译安装 tar -zxf git-2.0.0.tar.gz cd git-2.0.0 make configure ./configure --prefix/usr make make install 配置Git…
卷积神经网络(CNN)代码实现(MNIST)解析
在http://blog.csdn.net/fengbingchun/article/details/50814710中给出了CNN的简单实现，这里对每一步的实现作个说明：共7层：依次为输入层、C1层、S2层、C3层、S4层、C5层、输出层，C代表卷积层(特征提取)，S代表降采样层…
一点感悟和自勉
来学习linux，其实目的很简单，也很现实，就是为了学成之后找一份好的工作，能够养家糊口。 接触了几天，感觉挺难的，可能是因为我没有基础的原因吧，以前电脑只是用来打游戏和看电影，第一…
入门数据分析师，从了解元数据中心开始
作者丨凯凯连编辑丨Zandy来源 | 大数据与人工智能（ID：ai-big-data）【导读】上一篇文章，我们简单讲解了数据仓库的概念，并介绍了它的分层架构设计，相信大家对数据仓库体系已经有一定的了解了。那么ÿ…
PhpMyAdmin的简单安装和一个mysql到Redis迁移的简单例子
1.phpmyadmin的安装 sudo apt-get install phpmyadmin 之后发现http://localhost/phpmyadmin显示没有此url，于是想到本机上能显示的网页都在/var/www文件夹内，因此执行命令行:sudo ln /usr/share/phpmyadmin /var/www 这样就能使用了； 之…
聊聊flink的HistoryServer
为什么80%的码农都做不了架构师？>>> 序 本文主要研究一下flink的HistoryServer HistoryServer flink-1.7.2/flink-runtime-web/src/main/java/org/apache/flink/runtime/webmonitor/history/HistoryServer.java public class HistoryServer {private st…
深度学习开源库tiny-dnn的使用(MNIST)
tiny-dnn是一个基于DNN的深度学习开源库，它的License是BSD 3-Clause。之前名字是tiny-cnn是基于CNN的，tiny-dnn与tiny-cnn相关又增加了些新层。此开源库很活跃，几乎每天都有新的提交，因此下面详细介绍下tiny-dnn在windows7 64bit …
如何学习SVM？怎么改进实现SVM算法程序？答案来了
编辑 | 忆臻来源 | 深度学习这件小事（ID：DL_NLP）【导读】在 3D 动作识别领域，需要用到 SVM（支持向量机算法），但是现在所知道的 SVM 算法很多很乱，相关的程序包也很多，有什…
跟着石头哥哥学cocos2d-x（三）---2dx引擎中的内存管理模型
2019独角兽企业重金招聘Python工程师标准>>> 2dx引擎中的对象内存管理模型，很简单就是一个对象池引用计数，本着学好2dx的好奇心，先这里开走吧，紧接上面两节，首先我们看一个编码场景代码： hello…
读8篇论文，梳理BERT相关模型进展与反思
作者 | 陈永强来源 | 微软研究院AI头条（ID:MSRAsia)【导读】BERT 自从在 arXiv 上发表以来获得了很大的成功和关注，打开了 NLP 中 2-Stage 的潘多拉魔盒。随后涌现了一大批类似于“BERT”的预训练（pre-trained）模型，有…
Dlib库中实现正脸人脸检测的测试代码
Dlib库中提供了正脸人脸检测的接口，这里参考dlib/examples/face_detection_ex.cpp中的代码，通过调用Dlib中的接口，实现正脸人脸检测的测试代码，测试代码如下：#include "funset.hpp" #include <string>…
20189317 《网络攻防技术》 第二周作业
一.黑客信息 （1）国外黑客 1971年，卡普尔从耶鲁大学毕业。在校期间，他专修心理学、语言学以及计算机学科。也就是在这时他开始对计算机萌生兴趣。他继续到研究生院深造。20世纪60年代，退学是许多人的一个选择。只靠知识…
centos 6.4 SVN服务器多个项目的权限分组管理
根据本博客中的cent OS 6.4下的SVN服务器构建 一文，搭建好SVN服务器只能管理一个工程，如何做到不同的项目，多个成员的权限管理分配呢？一 需求开发服务器搭建好SVN服务器，不可能只管理一个工程项目，如何做到…
cifar数据集介绍及到图像转换的实现
CIFAR是一个用于普通物体识别的数据集。CIFAR数据集分为两种：CIFAR-10和CIFAR-100。The CIFAR-10 and CIFAR-100 are labeled subsets of the 80 million tiny images dataset. They were collected by Alex Krizhevsky, Vinod Nair, and Geoffrey Hinton.CIFAR-10由…
取代Python？Rust凭什么
作者 | Nathan J. Goldbaum译者 | 弯月，责编 | 屠敏来源 | CSDN（ID：CSDNnews）【导语】Rust 也能实现神经网络？在前一篇帖子中，作者介绍了MNIST数据集以及分辨手写数字的问题。在这篇文章中，他将…
【Mac】解决「无法将 chromedriver 移动到 /usr/bin 目录下」问题
问题描述 在搭建 Selenium 库 ChromeDriver 爬虫环境时，遇到了无法将 chromedriver 移动到 /usr/bin 目录下的问题，如下图： 一查原来是因为系统有一个 System Integrity Protection (SIP) 系统完整性保护，如果此功能不关闭&#…
【译文】怎样让一天有36个小时
作者：Jon Bischke原文地址：How to Have a 36 Hour Day 你经常听人说“真希望一天能多几个小时”或者类似的话吗？当然，现实中我们每天只有24小时。这么说吧，人和人怎样度过这24个小时是完全不同的。到现在这样的说法已经…
Dlib库中实现正脸人脸关键点(landmark)检测的测试代码
Dlib库中提供了正脸人脸关键点检测的接口，这里参考dlib/examples/face_landmark_detection_ex.cpp中的代码，通过调用Dlib中的接口，实现正脸人脸关键点检测的测试代码，测试代码如下：/* reference: dlib/examples/face_l…
LeetCode--004--寻找两个有序数组的中位数（java）
转自https://blog.csdn.net/chen_xinjia/article/details/69258706 其中，N14,N26,size4610. 1，现在有的是两个已经排好序的数组，结果是要找出这两个数组中间的数值，如果两个数组的元素个数为偶数，则输出的是中间两个元…
开源sk-dist，超参数调优仅需3.4秒，sk-learn训练速度提升100倍
作者 | Evan Harris译者 | Monanfei编辑 | Jane 出品 | AI科技大本营（ID：rgznai100)【导语】这篇文章为大家介绍了一个开源项目——sk-dist。在一台没有并行化的单机上进行超参数调优，需要 7.2 分钟，而在一百多个核心的 Spark 群集…
Windows和Linux下通用的线程接口
对于多线程开发，Linux下有pthread线程库，使用起来比较方便，而Windows没有，对于涉及到多线程的跨平台代码开发，会带来不便。这里参考网络上的一些文章，整理了在Windows和Linux下通用的线程接口。经过测试&am…
MySQL 性能调优的10个方法
MYSQL 应该是最流行了 WEB 后端数据库。WEB 开发语言最近发展很快，PHP， Ruby, Python, Java 各有特点，虽然 NOSQL 最近越來越多的被提到，但是相信大部分架构师还是会选择 MYSQL 来做数据存储。MYSQL 如此方便和稳定，以…