Detección de rostros con dlib

utilizando el método HOG

UNINTER
 Detección de rostros

Las complejidades de la detección de rostros requieren una amplia gama de

datos faciales. Tener acceso a un conjunto de datos diverso y bien seleccionado
es invaluable para crear modelos que puedan manejar variaciones en pose,
expresión y condiciones de iluminación.
 La biblioteca dlib

La biblioteca dlib es un paquete utilizado para el reconocimiento facial. Un

paquete de Python llamado apropiadamente face_recognition envuelve las
funciones de reconocimiento facial de dlib en una API simple y fácil de usar.
 La biblioteca dlib

La biblioteca dlib incluye dos métodos de detección de rostros integrados en la

biblioteca:

● Un detector facial de histograma de gradientes orientados (HOG) + Linear

SVM que es preciso y computacionalmente eficiente.
● Un detector de rostros CNN de margen máximo (MMOD) que es a la vez
altamente preciso y muy robusto, capaz de detectar rostros desde diferentes
ángulos de visión, condiciones de iluminación y oclusión.
La biblioteca dlib
Histograma de Gradientes Orientados (HOG)
 Histograma de Gradientes Orientados (HOG)

El Histograma de Gradientes Orientados (HOG) es un descriptor de

características utilizado en visión artificial y aprendizaje automático para
representar la forma y textura de una imagen. Es especialmente útil para la
detección de objetos y personas.
 Histograma de Gradientes Orientados (HOG)

Funcionamiento básico

● Cálculo de gradientes: Se calculan los gradientes de la imagen en cada

píxel, tanto en dirección horizontal como vertical.
● Orientación: Se calcula la orientación del gradiente en cada píxel.
● Cuantización: Se divide la orientación en bins (por ejemplo, 9 bins de 20
grados cada uno).
 Histograma de Gradientes Orientados (HOG)

Funcionamiento básico

● Histograma: Se crea un histograma para cada celda de la imagen, contando

el número de píxeles con cada orientación de gradiente.
● Normalización: Se normaliza el histograma para hacerlo más robusto a
cambios de iluminación y contraste.
● Concatenación: Se concatenan los histogramas de todas las celdas para
formar un vector de características.
 Histograma de Gradientes Orientados (HOG)

Ventajas

● Alta precisión para la detección de objetos y personas.

● Robustez a cambios de iluminación y contraste.
● Eficiencia computacional.
 Histograma de Gradientes Orientados (HOG)

Desventajas

● Sensible a cambios de escala y rotación de la imagen.

● No es tan efectivo para objetos con texturas finas.
 Histograma de Gradientes Orientados (HOG)

Aplicaciones

● Detección de peatones.
● Detección de rostros.
● Clasificación de objetos.
● Seguimiento de objetos.
● Reconocimiento de escenas.
Detección de Rostros con el Histograma de
Gradientes Orientados (HOG)
 Configurando el entorno de desarrollo

Para seguir esta guía, necesita tener la biblioteca OpenCV y dlib

instalados en su sistema.

Instalación de OpenCV y dlib a través del gestor de paquetes de python pip:

Estructura de directorio y archivos
Abra el archivo helpers.py dentro de la carpeta module y manos a la obra:
Abra el archivo hog_face_detection.py en la estructura del directorio de su
proyecto e inserte el siguiente código:
Abra el archivo hog_face_detection.py en la estructura del directorio de su
proyecto e inserte el siguiente código:
Abra el archivo hog_face_detection.py en la estructura del directorio de su
proyecto e inserte el siguiente código:
Abra el archivo hog_face_detection.py en la estructura del directorio de su
proyecto e inserte el siguiente código:
Resultados de detección de rostros de Dlib HOG + Linear
SVM

Veamos los resultados de aplicar nuestro detector facial dlib HOG + Linear SVM a
un conjunto de imágenes.

Abra una ventana de terminal y ejecute el siguiente comando:

Resultados de detección de rostros de Dlib HOG + Linear
SVM