OpenCV的视频处理之人脸检测 2
我们尝试模块化并分离管道构建块，这种方法将为我们提供易于管理的代码，并使测试更容易编写：
import osimport cv2from pipeline.libs.face_detector import facedetectorimport tests.config as configclass testfacedetector: def test_face_detector(self): prototxt = os.path.join(config.models_face_detector_dir, deploy.prototxt.txt) model = os.path.join(config.models_face_detector_dir, res10_300x300_ssd_iter_140000.caffemodel) detector = facedetector(prototxt, model) test_image = cv2.imread(os.path.join(config.assets_images_dir, friends, friends_01.jpg)) faces = detector.detect([test_image]) assert len(faces) == 1 assert len(faces[0]) # should recognize some faces from friends_01.jpg使用管道架构，可以很容易地cascadedetectfaces从上一篇文章换成更准确的深度学习人脸检测器模型。让我们facedetector在新的detectfaces管道步骤中使用：
from pipeline.pipeline import pipelinefrom pipeline.libs.face_detector import facedetectorclass detectfaces(pipeline): def __init__(self, prototxt, model, batch_size=1, confidence=0.5): self.detector = facedetector(prototxt, model, confidence=confidence) self.batch_size = batch_size super(detectfaces, self).__init__() def generator(self): batch = [] stop = false while self.has_next() and not stop: try: # buffer the pipeline stream data = next(self.source) batch.append(data) except stopiteration: stop = true # check if there is anything in batch. # process it if the size match batch_size or there is the end of the input stream. if len(batch) and (len(batch) == self.batch_size or stop): # prepare images batch images = [data[image] for data in batch] # detect faces on all images at once faces = self.detector.detect(images) # extract the faces and attache them to the proper image for image_idx, image_faces in faces.items(): batch[image_idx][faces] = image_faces # yield all the data from buffer for data in batch: if self.filter(data): yield self.map(data) batch = []我们对图像流（第15–20行）进行缓冲，直到到达batch_size（第24行）为止，然后在所有缓冲的图像上（第28行）检测面部，收集面部坐标和置信度（第31–32行），然后重新生成图像（第35-37行）。
当我们使用gpu（图形处理单元）时，我们的武器库中同时运行着数千个处理内核，这些内核专门用于矩阵运算。批量执行推理总是更快，一次向深度学习模型展示的图像多于一张一张。
保存面孔和摘要
savefaces并savesummary产生输出结果。在savefaces类，使用map功能，遍历所有检测到的面部，从图像裁剪他们并保存到输出目录。
savesummary类的任务是收集有关已识别面部的所有元数据，并将它们保存为结构良好的json文件，该map函数用于缓冲元数据。接下来，我们使用额外的write功能扩展我们的类，我们将需要在管道的末尾触发以将json文件与摘要一起保存。脸部图像针对每一帧存储在单独的目录中。
视频输出
为了观察流水线的结果，很高兴可以显示带有带注释的面孔的视频。关于annotateimage(pipeline/annotate_image.py)/displayvideo(pipeline/display_video.py)的全部内容。
运行中的管道
在process_video_pipeline.py文件中我们可以看到，整个管道的定义如下：
pipeline = (capture_video | detect_faces | save_faces | annotate_image | display_video | save_video | save_summary)上面有很多解释，但是视频和图像胜于雄辩。让我们来看一下触发命令的管道：
python process_video_pipeline.py -i assets/videos/faces.mp4 -p -d -ov faces.avi,m,];-p将显示进度条，
-d显示带有批注面孔的视频结果，
-ov faces.avi并将视频结果保存到output文件夹。
正如我们在示例视频中看到的那样，并不是所有脸孔都能被识别。我们可以降低设置参数的深度学习模型的置信度confidence 0.2（默认值为0.5）。降低置信度阈值会增加假阳性的发生(在图像中没有脸的位置出现脸)。
detectfaces类的批量处理大小：
$ python process_video_pipeline.py -i assets/videos/faces.mp4 -p--batch-size 1100%|███████████████████████████| 577/577 [00:11<00:00, 52.26it/s][info] saving summary to output/summary.json...$ python process_video_pipeline.py -i assets/videos/faces.mp4 -p--batch-size 4100%|███████████████████████████| 577/577 [00:09<00:00, 64.66it/s][info] saving summary to output/summary.json...$ python process_video_pipeline.py -i assets/videos/faces.mp4 -p--batch-size 8100%|███████████████████████████| 577/577 [00:10<00:00, 56.04it/s][info] saving summary to output/summary.json...在我们的硬件上（2.20ghz的core i7–8750h cpu和nvidia rtx 2080 ti），我门每秒获得52.26帧的图像--batch-size 1，但是对于--batch-size 4我们来说，速度却提高到了每秒64.66帧。
Intel首次被三星反超失去半导体霸主宝座
Librem 5 配置公布,Q3开售
超低成本、高效率LED电源驱动芯片YL712X
中国移动联合中兴通讯完成业界首个面向XR的无线网络数字孪生建模
基于TSG5162 SiP模块实现超宽带精密测距和定位解决方案
OpenCV的视频处理之人脸检测 2
便携式水中生物毒性检测仪的检测原理说明
一文带你了解工业视觉中的白平衡
LG Display智能手表AMOLED显示器全球市场份额达41.4%
晶圆级CSP的元件的重新贴装及底部填充
vivo展示5G+8K超高清视频现场动态
银河麒麟之命令行下配置网卡及DNS
2021年智能手机市场是否会迎来涨价潮?
液位传感器在病理设备研发、生产行业中有着广泛应用
中兴在5G方面关于终端、市场布局和策略方面的信息
斩波电路：降压斩波电路原理及应用介绍
A.O.史密斯公益助力“最美婚纱照”主人公的温暖新家
苹果13.3.1 Beta 1新系统体验，续航方面略有提升
保护三线制模拟输出
无人机如何开启禁毒执法
import osimport cv2from pipeline.libs.face_detector import facedetectorimport tests.config as configclass testfacedetector: def test_face_detector(self): prototxt = os.path.join(config.models_face_detector_dir, deploy.prototxt.txt) model = os.path.join(config.models_face_detector_dir, res10_300x300_ssd_iter_140000.caffemodel) detector = facedetector(prototxt, model) test_image = cv2.imread(os.path.join(config.assets_images_dir, friends, friends_01.jpg)) faces = detector.detect([test_image]) assert len(faces) == 1 assert len(faces[0]) # should recognize some faces from friends_01.jpg使用管道架构，可以很容易地cascadedetectfaces从上一篇文章换成更准确的深度学习人脸检测器模型。让我们facedetector在新的detectfaces管道步骤中使用：
from pipeline.pipeline import pipelinefrom pipeline.libs.face_detector import facedetectorclass detectfaces(pipeline): def __init__(self, prototxt, model, batch_size=1, confidence=0.5): self.detector = facedetector(prototxt, model, confidence=confidence) self.batch_size = batch_size super(detectfaces, self).__init__() def generator(self): batch = [] stop = false while self.has_next() and not stop: try: # buffer the pipeline stream data = next(self.source) batch.append(data) except stopiteration: stop = true # check if there is anything in batch. # process it if the size match batch_size or there is the end of the input stream. if len(batch) and (len(batch) == self.batch_size or stop): # prepare images batch images = [data[image] for data in batch] # detect faces on all images at once faces = self.detector.detect(images) # extract the faces and attache them to the proper image for image_idx, image_faces in faces.items(): batch[image_idx][faces] = image_faces # yield all the data from buffer for data in batch: if self.filter(data): yield self.map(data) batch = []我们对图像流（第15–20行）进行缓冲，直到到达batch_size（第24行）为止，然后在所有缓冲的图像上（第28行）检测面部，收集面部坐标和置信度（第31–32行），然后重新生成图像（第35-37行）。
当我们使用gpu（图形处理单元）时，我们的武器库中同时运行着数千个处理内核，这些内核专门用于矩阵运算。批量执行推理总是更快，一次向深度学习模型展示的图像多于一张一张。
保存面孔和摘要
savefaces并savesummary产生输出结果。在savefaces类，使用map功能，遍历所有检测到的面部，从图像裁剪他们并保存到输出目录。
savesummary类的任务是收集有关已识别面部的所有元数据，并将它们保存为结构良好的json文件，该map函数用于缓冲元数据。接下来，我们使用额外的write功能扩展我们的类，我们将需要在管道的末尾触发以将json文件与摘要一起保存。脸部图像针对每一帧存储在单独的目录中。
视频输出
为了观察流水线的结果，很高兴可以显示带有带注释的面孔的视频。关于annotateimage(pipeline/annotate_image.py)/displayvideo(pipeline/display_video.py)的全部内容。
运行中的管道
在process_video_pipeline.py文件中我们可以看到，整个管道的定义如下：
pipeline = (capture_video | detect_faces | save_faces | annotate_image | display_video | save_video | save_summary)上面有很多解释，但是视频和图像胜于雄辩。让我们来看一下触发命令的管道：
python process_video_pipeline.py -i assets/videos/faces.mp4 -p -d -ov faces.avi,m,];-p将显示进度条，
-d显示带有批注面孔的视频结果，
-ov faces.avi并将视频结果保存到output文件夹。
正如我们在示例视频中看到的那样，并不是所有脸孔都能被识别。我们可以降低设置参数的深度学习模型的置信度confidence 0.2（默认值为0.5）。降低置信度阈值会增加假阳性的发生(在图像中没有脸的位置出现脸)。
detectfaces类的批量处理大小：
$ python process_video_pipeline.py -i assets/videos/faces.mp4 -p--batch-size 1100%|███████████████████████████| 577/577 [00:11<00:00, 52.26it/s][info] saving summary to output/summary.json...$ python process_video_pipeline.py -i assets/videos/faces.mp4 -p--batch-size 4100%|███████████████████████████| 577/577 [00:09<00:00, 64.66it/s][info] saving summary to output/summary.json...$ python process_video_pipeline.py -i assets/videos/faces.mp4 -p--batch-size 8100%|███████████████████████████| 577/577 [00:10<00:00, 56.04it/s][info] saving summary to output/summary.json...在我们的硬件上（2.20ghz的core i7–8750h cpu和nvidia rtx 2080 ti），我门每秒获得52.26帧的图像--batch-size 1，但是对于--batch-size 4我们来说，速度却提高到了每秒64.66帧。
Intel首次被三星反超失去半导体霸主宝座
Librem 5 配置公布,Q3开售
超低成本、高效率LED电源驱动芯片YL712X
中国移动联合中兴通讯完成业界首个面向XR的无线网络数字孪生建模
基于TSG5162 SiP模块实现超宽带精密测距和定位解决方案
OpenCV的视频处理之人脸检测 2
便携式水中生物毒性检测仪的检测原理说明
一文带你了解工业视觉中的白平衡
LG Display智能手表AMOLED显示器全球市场份额达41.4%
晶圆级CSP的元件的重新贴装及底部填充
vivo展示5G+8K超高清视频现场动态
银河麒麟之命令行下配置网卡及DNS
2021年智能手机市场是否会迎来涨价潮?
液位传感器在病理设备研发、生产行业中有着广泛应用
中兴在5G方面关于终端、市场布局和策略方面的信息
斩波电路：降压斩波电路原理及应用介绍
A.O.史密斯公益助力“最美婚纱照”主人公的温暖新家
苹果13.3.1 Beta 1新系统体验，续航方面略有提升
保护三线制模拟输出
无人机如何开启禁毒执法