深度學習工程實踐 1.Dlib的使用

• 1.概述
• 2. 目標
• 3. 工程實踐
• • 3.1 編譯
  • 3.2 工程配置
  • 3.3 測試demo
• 4. 總結

1.概述

這個系列的博客，主要是記錄一下機器學習，深度學習在工程實踐中遇到的一些問題。 作為工程筆記留下。 最終的目標是使用現有的AI技術，開發一個將人臉變成矢量線條的素描系統。這個區別于普通的人臉二值化，本系統將單獨對人臉的各個部位單獨進行處理。

在這里分享出一些實踐經驗。 看過不少相關的論文，但是均沒有將代碼細節以及實踐，過程沒有，只有結果和算法分析。 但是在實踐過程中，回有很多的問題，譬如，我在搭建深度學習的開發環境這個點上，就將近花費了5個工作日的時間。 失敗了又再來，失敗了有再來。 本系列的文章記錄這些坑，希望能幫助大家。 對于深度學習，筆者也只是會用，會搭配環境。 但我覺得，應用起來，才是最好的學習，學習的第一步，就是把這個技術用到自己的項目中去，不是么。 開始吧！

2. 目標

在window是使用DLib，識別人臉的61個特征點，81個特征點

3. 工程實踐

3.1 編譯

筆者使用的是Qt 作為C++的一個開發環境，第一次使用DLib，是基于Qt mingw來進行編譯的。 Dlib的編譯也比較簡單，參考如下鏈接: https://blog.csdn.net/liangchunjiang/article/details/77050688

這里總結一下幾個要點:

• CMake-Gui 安裝
• mingw的bin目錄要添加進環境變量

編譯完成后，我們工程中主要需要的是build目錄下的lib文件夾里面的libdlib.a文件，還有一個include文件夾。

3.2 工程配置

剩下的主要就是Qt的pro文件配置了，筆者的配置如下:

INCLUDEPATH+= D:\dlib-19.17\include LIBS +=-L"D:\dlib-19.17\lib" LIBS+=-ldlib LIBS += -lmingw32 LIBS+=-lOle32 LIBS+=-lOleaut32 LIBS+=-lm LIBS+= -ldinput8 LIBS+=-lcomctl32 LIBS+=-ldxguid LIBS+= -ldxerr8 LIBS+=-luser32 LIBS+=-lgdi32 LIBS+=-lwinmm LIBS+= -limm32 LIBS+= -lole32 LIBS+=-loleaut32 LIBS+=-lshell32 LIBS+= -lversion LIBS+= -luuid LIBS+=-lglut32 LIBS+=-lopengl32 LIBS+=-lglu32 LIBS+=-lgdi32 LIBS+=-lwinmm LIBS += -lws2_32

上述配置，可使用于Qt5.97-Mingw版本。

3.3 測試demo

測試代碼如下:

#include <opencv2/opencv.hpp> #include <opencv2/opencv_modules.hpp> #include <opencv2/highgui/highgui.hpp> #include <iostream> #define FACE_DOWNSAMPLE_RATIO 4 #define SKIP_FRAMES 2 #define DLIB_PNG_SUPPORT #define DLIB_JPEG_SUPPORT using namespace cv; using namespace std; using namespace dlib; int main(int argc, char** argv) {QCoreApplication a(argc, argv);try{// Load face detection and pose estimation models.frontal_face_detector detector = get_frontal_face_detector();shape_predictor pose_model;deserialize("shape_predictor_81_face_landmarks.dat") >> pose_model;cv::Mat temp = cv::imread("2.jpg");cv_image<bgr_pixel> cimg(temp);// Detect facesstd::vector<dlib::rectangle> faces = detector(cimg);// std::cout<<"faces size:"<<faces.size()<<std::endl;// Find the pose of each face.std::vector<full_object_detection> shapes;for (unsigned long i = 0; i < faces.size(); ++i){shapes.push_back(pose_model(cimg, faces[i]));}std::cout<<"get parts number size:"<<shapes[0].num_parts();if (!shapes.empty()){for (int i = 0; i < 81; i++){circle(temp, cvPoint(shapes[0].part(i).x(), shapes[0].part(i).y()), 2, cv::Scalar(0, 0, 255), -1);}}//Display it all on the screenimshow("Dlib特征點", temp);waitKey(0);}catch(serialization_error& e){cout << "You need dlib's default face landmarking model file to run this example." << endl;cout << "You can get it from the following URL: " << endl;cout << " http://dlib.net/files/shape_predictor_81_face_landmarks.dat.bz2" << endl;cout << endl << e.what() << endl;}catch(exception& e){cout << e.what() << endl;}return 0; }

執行效果如下:

在編譯過程中，可能會出現:

USER_ERROR__inconsistent_build_configuration__see_dlib_faq_2

錯誤，這時候，要把dlib編譯后build目錄下的config.h 拷貝到include目錄下，錯誤消除。

4. 總結

dlib的環境搭建非常順利，幾乎沒有難度。 要實現快速的人臉識別，使用默認的shape_predictor_68_face_landmarks.dat.bz2預訓練文件即可，如果要81個識別點，可以谷歌dlib + 81關鍵字，下載相關的預訓練文件即可。

總結

以上是生活随笔為你收集整理的深度学习工程实践 1.Dlib的使用的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。