人臉檢測的效能對比

2021-10-23 19:50:43 字數 1333 閱讀 4144

no1:

protopath = os.path.sep.join([args["detector"], "deploy.prototxt"])


modelpath = os.path.sep.join([args["detector"],"res10_300x300_ssd_iter_140000.caffemodel"])


net = cv2.dnn.readnetfromcaffe(protopath, modelpath)


blob = cv2.dnn.blobfromimage(cv2.resize(frame, (300, 300)), 1.0,(300, 300), (104.0, 177.0, 123.0)) 


net.setinput(blob)


detections = net.forward()
數度慢,但檢測穩定性和準確率最高.  gpu好的話可以把blob = cv2.dnn.blobfromimage(frame, 1.0, (600, 600),(104.0, 177.0, 123.0)),其中效果最好的是(900,900)

no2:

detector = cv2.cascadeclassifier("haarcascade_frontalface_default.xml")


gray = cv2.cvtcolor(frameclone_cascade, cv2.color_bgr2gray)


rects = detector.detectmultiscale(gray, scalefactor=1.1, minneighbors=5, minsize=(20, 20),flags=cv2.cascade_scale_image)
優點1）幾乎可以在cpu上實時工作；2）簡單的架構；3）可以檢測不同比例的人臉。缺點1）會出現大量的把非人臉**為人臉的情況；2）不適用於非正面人臉影象；3）不抗遮擋。

存在的問題是人臉檢測效果不好。正面/垂直/光線較好的人臉，該方法可以檢測出來，而側面/歪斜/光線不好的人臉，無法檢測。因此，該方法不適合現場應用

no3:

detector_age_gender = dlib.get_frontal_face_detector()


predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")


rects = detector_age_gender(gray, 1)
dlib人臉檢測方法採用64個特徵點檢測，效果會好於haar的方法識別率會更高

python效能對比

1 coding utf8 import datetime road nodes for i in range 5000000 road nodes i beg time datetime.datetime.now for key,val in road nodes.items pass end t...

SSD效能對比

ssd效能測試 順序寫 16k iops 85061.08 順序寫 8k iops 146250.93 順序寫 4k iops 239816.69 順序寫 2k iops 294540.87 順序寫 1k iops 347170.06 隨機寫 16k iops 21865.24 隨機寫 8k iop...

python效能對比

閱讀目錄 回到頂部 1 coding utf8 import datetime road nodes for i in range 5000000 road nodes i beg time datetime.datetime.now for key,val in road nodes.items ...