带有面部检测和形状预测的 Dlib 网络摄像头捕获速度很慢

Question

我正在开发一个 C++ 程序，该程序应该从网络摄像头流中检测人脸，而不是使用人脸地标裁剪它们并交换它们。

我使用 OpenCV 和 Viola-Jones 人脸检测对人脸检测进行了编程。工作正常。比我搜索如何从 ROI 中分割只是面部。我尝试了一些皮肤检测实现，但都没有成功。

比我发现 dlib 人脸地标。我决定试一试。刚开始我遇到了一些问题，因为我必须将cv::Mat 转换为cv_image，将矩形转换为矩形等。所以我尝试只用 dlib 来做。我只是使用cv::VideoCapture 获取流，然后我想展示使用 dlib image_window 捕获的内容。但问题是它非常慢。 Down是使用的代码。注释行是执行相同但使用 OpenCV 的行。 OpenCV 比没有注释的代码更快、更流畅、更连续，就像 5 FPS。那太糟了。我无法想象当我应用人脸检测和人脸地标时会有多慢。

我做错了吗？我怎样才能让它更快？还是应该使用 OpenCV 进行视频捕捉和展示？

cv::VideoCapture cap;
image_window output_frame;

if (!cap.open(0))
{
    cout << "ERROR: Opening video device 0 FAILED." << endl;
    return -1;
}

cv::Mat cap_frame;
//HWND hwnd;
do
{
    cap >> cap_frame;

    if (!cap_frame.empty())
    {
        cv_image<bgr_pixel> dlib_frame(cap_frame);
        output_frame.set_image(dlib_frame);
        //cv::imshow("output",dlib::toMat(dlib_frame));
    }

    //if (27 == char(cv::waitKey(10)))
    //{
    //  return 0;
    //}

    //hwnd = FindWindowA(NULL, "output");
} while(!output_frame.is_closed())//while (hwnd != NULL);

编辑： 切换到释放模式后，显示捕获的帧变得很好。 但我继续尝试使用 dlib 进行 面部检测 和 形状预测，就像这里的示例 http://dlib.net/face_landmark_detection_ex.cpp.html。这是相当滞后的。所以我关闭了形状预测。仍然“滞后”。

所以我认为人脸检测会减慢速度。所以我尝试使用 OpenCV 进行人脸检测，因为它明显优于 dlib 检测器。我需要将检测到的 cv::Rect 转换为 dlib::rectangle。我用过这个。

std::vector<dlib::rectangle> dlib_rois;
long l, t, r, b;

for (int i = cv_rois.size() - 1; i >= 0; i--)
{
    l = cv_rois[i].x;
    t = cv_rois[i].y;
    r = cv_rois[i].x + cv_rois[i].width;
    b = cv_rois[i].y + cv_rois[i].height;
    dlib_rois.push_back(dlib::rectangle(l, t, r, b));
}

但是这种 OpenCV 人脸检测 和 dlib 形状预测 的组合变得残酷滞后。处理单帧大约需要4s。

我不知道为什么。 OpenCV 人脸检测绝对没问题，dlib 形状预测似乎并不难处理。有人可以帮我吗？

Answer 1

在假设 Dlib 很慢之前，您可以采取一些措施来让 Dlib 运行得更快。您只需阅读更多文档并尝试。

• Dlib 能够在非常小的区域（80x80 像素）中检测人脸。您可能以大约 1280x720 的分辨率发送原始网络摄像头帧，这不是必需的。根据我的经验，我建议将帧减少大约原始分辨率的四分之一。是的，320x180 适合 Dlib。结果，您将获得 4 倍的速度。

• 如 cmets 中所述，通过在构建 Dlib 时开启编译优化，您将获得显着的速度提升。

• Dlib 处理灰度图像的速度更快。您不需要网络摄像头框架上的颜色。您可以使用 OpenCV 将之前缩小的帧转换为灰度。

• Dlib 会花时间寻找人脸，但在人脸上寻找地标的速度非常快。只有当您的网络摄像头提供高帧率 (24-30fps) 时，您才能跳过一些帧，因为面部通常不会移动太多。

鉴于这些优化，我相信您将获得至少 12 倍的检测速度。