关注&置顶“算法猿的成长”
每日8:30，干货速递！
2019 年第 73 篇文章，总第 97 篇文章
今天介绍一个简单、易用的开源计算机视觉库，名字是 cvlib，其 Github 地址：
https://github.com/arunponnusamy/cvlib
官方文档地址：
http://cvlib.net/
安装
cvlib 这个库首先需要安装这两个库：
tensorflow
opencv
快速的安装方法是：
pip install opencv-python tensorflow
当然上述安装的 tensorflow 是 cpu 版本，如果希望安装可以使用 gpu 的，安装包名字是 tensorflow-gpu ，安装 gpu 版本需要注意安装正确版本的英伟达驱动、CUDA、CUDNN。
接着就是正式安装 cvlib，简单的安装方法是通过 pip：
pip install cvlib
如果是希望升级到最新版本，命令为：
pip install --upgrade cvlib
第二种通过源码安装方法，只需要按照下列命令依次执行即可：
git clone https://github.com/arunponnusamy/cvlib.git
cd cvlib
python setup.py sdist
pip install .
注意：目前仅在 Python 3.x 版本测试通过，而 2.x 版本并没有进行测试，所以建议在 Python 3.x 环境使用该库。
主要功能
目前 cvlib 支持以下几种应用：
人脸检测
性别检测
目标检测
人脸检测
人脸检测的接口是 detect_face()，返回的结果是所有检测到的人脸的一个坐标点和置信度。
代码示例：
import cvlib as cv
import sys
import cv2
import os # read input image
image = cv2.imread(sys.argv[1])# apply face detection
faces, confidences = cv.detect_face(image)print(faces)
print(confidences)# loop through detected faces
for face,conf in zip(faces,confidences):(startX,startY) = face[0],face[1](endX,endY) = face[2],face[3]# draw rectangle over facecv2.rectangle(image, (startX,startY), (endX,endY), (0,255,0), 2)# display output
# press any key to close window
cv2.imshow("face_detection", image)
cv2.waitKey()# save output
cv2.imwrite("face_detection.jpg", image)# release resources
cv2.destroyAllWindows()
输出结果如下所示：
人脸检测的底层实现其实是通过 OpenCV 的 dnn 模块，并加载一个预训练的 caffemodel。
性别检测
性别检测的接口是 detect_gender()，返回的是标签（男性or女性）以及预测的概率。
代码示例：
import cv2
import cvlib as cv
import sys
import numpy as np# read input image
img = cv2.imread(sys.argv[1])# apply face detection
face, conf = cv.detect_face(img)# loop through detected faces
for f in face:(startX,startY) = f[0],f[1](endX,endY) = f[2],f[3]# draw rectangle over facecv2.rectangle(img, (startX,startY), (endX,endY), (0,255,0), 2)face_crop = np.copy(img[startY:endY, startX:endX])# apply gender detection(label, confidence) = cv.detect_gender(face_crop)print(confidence)print(label)idx = np.argmax(confidence)label = label[idx]label = "{}: {:.2f}%".format(label, confidence[idx] * 100)Y = startY - 10 if startY - 10 > 10 else startY + 10cv2.putText(img, label, (startX, Y), cv2.FONT_HERSHEY_SIMPLEX,0.7, (0, 255, 0), 2)# display output
# press any key to close window
cv2.imshow("gender detection", img)
cv2.waitKey()# save output
cv2.imwrite("gender_detection.jpg", img)# release resources
cv2.destroyAllWindows()
输出结果如下所示：
从示例代码可以看到，首先是需要检测人脸，然后将人脸部分传入性别检测接口，再得到最终的检测结果。其底层实现是采用 keras 的预训练模型，不过其准确率并不是特别的高，所以可以自己优化模型，提升性别检测的准确率，然后替换模型。
目标检测
目标检测的接口是 detect_common_objects()，它用于检测常见的物体，返回结果是图片中检测到的物体的坐标、类别标签以及置信度。
代码示例如下：
import cvlib as cv
from cvlib.object_detection import draw_bbox
import sys
import cv2# read input image
image = cv2.imread(sys.argv[1])# apply object detection
bbox, label, conf = cv.detect_common_objects(image)print(bbox, label, conf)# draw bounding box over detected objects
out = draw_bbox(image, bbox, label, conf)# display output
# press any key to close window
cv2.imshow("object_detection", out)
cv2.waitKey()# save output
cv2.imwrite("object_detection.jpg", out)# release resources
cv2.destroyAllWindows()
输出结果：
目标检测的底层实现是采用在 COCO 数据集上训练的 YOLOv3 模型。
另外，上述三个功能其实不仅是对图片进行检测，还可以实时调用，通过摄像头捕捉到的实时返回结果，代码例子可以查看：
https://github.com/arunponnusamy/cvlib/tree/master/examples
其他功能
除了上述三个主要功能，其实 cvlib 也还能实现以下两个功能：
获取视频的帧
生成 gif 动图
获取视频的帧是在 utils.py 中的函数 get_frames()，输入是视频的路径，使用方法如下所示：
import cvlib as cv
frames = cv.get_frames('~/Downloads/demo.mp4')
也可以添加一个保存所有帧的文件夹路径，返回的帧 frames 是用列表保存的 numpy 数组形式。
frames = cv.get_frames('~/Downloads/demo.mp4', '~/Downloads/demo_frames/')
生成 gif 动图则是函数 animate() 实现的，它需要输入一批图片或者保存图片的文件夹路径，然后返回一个 gif 并保存。
cv.animate(frames, '~/Documents/frames.gif')
这两个功能，具体可以查看：
https://github.com/arunponnusamy/cvlib/blob/master/cvlib/utils.py#L48
https://github.com/arunponnusamy/cvlib/blob/master/cvlib/utils.py#L87
小结
今天介绍的计算机视觉库 cvlib 是一个非常容易上手的工具，简单实现了人脸检测、性别检测和目标检测三个非常常用的应用。
最后，前两张图片其实是来自一部美剧《硅谷》，这是一部讲述几个程序员创业的故事，非常有趣又有常见的程序员梗，目前出了第四季，第五季也是最后一季估计是在年底播出，还是非常推荐大家看看的。
欢迎关注我的微信公众号--算法猿的成长，或者扫描下方的二维码，大家一起交流，学习和进步！
如果觉得不错，在看、转发就是对小编的一个支持！
推荐阅读：
- [资源分享] Github上八千Star的深度学习500问教程
必读的AI和深度学习博客
[Github项目推荐] 机器学习& Python 知识点速查表
[Github项目推荐] 推荐三个助你更好利用Github的工具
Github上的各大高校资料以及国外公开课视频
