10分钟上手Face-Track-Detect-Extract环境搭建与首次人脸提取完整教程【免费下载链接】Face-Track-Detect-Extract Detect , track and extract the optimal face in multi-target faces (exclude side face and select the optimal face).项目地址: https://gitcode.com/gh_mirrors/fa/Face-Track-Detect-ExtractFace-Track-Detect-Extract是一个基于 MTCNN SORT 算法的人脸检测、跟踪与提取工具它可以从多人视频中自动检测人脸、持续跟踪目标并提取每个人最优的正脸图像自动排除侧脸。只需一条命令就能批量产出可用于 CNN 训练或人脸识别后端的人脸图片。本教程将带你 10 分钟内完成环境搭建与首次运行。一、项目能做什么3 步搞定人脸提取 整个流程可以概括为三步步骤模块作用1️⃣ 检测MTCNNalign/目录定位画面中的每一张人脸及 5 个关键点2️⃣ 跟踪SORT 跟踪器src/sort.py用卡尔曼滤波 数据关联为每张脸分配稳定 ID3️⃣ 提取侧脸判断 最优脸筛选lib/face_utils.py剔除侧脸为每个人保存最清晰的正脸图片最终结果会按视频名分文件夹保存在facepics目录中。典型用途包括✅ 批量提取视频人脸作为CNN 训练数据集✅ 把提取的人脸送到后端做人脸识别二、环境搭建3 步完成依赖安装 ⚙️1. 准备 Python 环境项目要求Python 3.5推荐使用 3.7~3.9 并创建虚拟环境python3 -m venv face_env source face_env/bin/activate # Windows 使用 face_env\Scripts\activate2. 克隆项目并安装依赖git clone https://gitcode.com/gh_mirrors/fa/Face-Track-Detect-Extract cd Face-Track-Detect-Extract pip install -r requirements.txt依赖清单见requirements.txt包含numba、scikit-learn、opencv-python、numpy、filterpy、tensorflow-gpu无显卡环境可改装tensorflow。3. 放入你的测试视频把 mp4 / avi 格式的视频放入项目根目录的videos/文件夹仓库已自带两段示例视频如videos/2_Obama.mp4开箱即用。 小提示project_root_dir.py会自动定位项目根目录因此请在项目根目录下运行脚本。三、5 分钟看懂项目结构 Face-Track-Detect-Extract/ ├── start.py # 程序入口所有参数都在这里解析 ├── align/ # MTCNN 人脸检测模型与检测逻辑 ├── lib/ │ ├── face_utils.py # 基于 5 关键点判断正脸/侧脸 │ └── utils.py # 日志、保存人脸到磁盘等工具函数 ├── src/ │ ├── sort.py # SORT 多目标跟踪主逻辑 │ ├── kalman_tracker.py # 卡尔曼滤波框跟踪器 │ └── data_association.py # 匈牙利算法检测-轨迹匹配 └── videos/ # 待处理的视频输入目录四、首次运行一键启动人脸检测与跟踪 ▶️1. 基础运行python3 start.py运行后会实时弹出视频画面可以看到每张人脸被彩色边框框住并标注ID : n DETECT即 SORT 分配的跟踪 ID每detect_interval帧执行一次 MTCNN 检测其余帧由卡尔曼滤波预测位置按q键可提前结束。运行完成后打开facepics/目录即可看到按「视频名/人脸ID」组织的人脸图片。2. 绘制 5 个关键点可选python3 start.py --face_landmarks提取的人脸上会标注眼睛、鼻尖、嘴角等 5 个关键点方便直观检查对齐质量。3. 无显示器服务器运行python3 start.py --no_display五、常用参数调优技巧 ️start.py支持的参数一览默认值来自源码参数默认值建议--videos_dirvideos视频所在目录--output_pathfacepics人脸图片输出目录--detect_interval1性能与流畅度平衡卡顿可调大--margin10人脸占画面较大时可调大跟踪更稳--scale_rate0.7输入帧缩放调小可显著提速--face_score_threshold0.85人脸置信度阈值0x≤1误检多可调高--face_landmarks关在提取图上画 5 关键点--no_display关关闭可视化窗口提速黄金组合--detect_interval 3 --scale_rate 0.5适合批量处理长视频。六、常见报错与解决办法 No module named tensorflow确认虚拟环境已激活执行pip install tensorflow或tensorflow-gpu。画面无人脸 / 漏检调低--face_score_threshold如 0.7或确认最小人脸 ≥40 像素代码中minsize 40。跟踪 ID 频繁跳变调大--margin或减小--detect_interval的检测间隔。保存数量偏少提取需跟踪器累积足够样本≥5 帧且为优质正脸才落盘属正常筛选逻辑。七、总结你的下一步 恭喜你已完成环境搭建与依赖安装使用自带视频完成首次人脸检测 跟踪 提取掌握了核心参数的调优思路接下来可以试试用自己的监控/演讲视频跑一遍把facepics中的人脸接入识别模型体验从「视频」到「人脸数据」的完整流水线。项目采用 MIT 协议见LICENSE欢迎在二次开发时自由使用。【免费下载链接】Face-Track-Detect-Extract Detect , track and extract the optimal face in multi-target faces (exclude side face and select the optimal face).项目地址: https://gitcode.com/gh_mirrors/fa/Face-Track-Detect-Extract创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 10分钟上手Face-Track-Detect-Extract：环境搭建与首次人脸提取完整教程
10分钟上手Face-Track-Detect-Extract环境搭建与首次人脸提取完整教程【免费下载链接】Face-Track-Detect-Extract Detect , track and extract the optimal face in multi-target faces (exclude side face and select the optimal face).项目地址: https://gitcode.com/gh_mirrors/fa/Face-Track-Detect-ExtractFace-Track-Detect-Extract是一个基于 MTCNN SORT 算法的人脸检测、跟踪与提取工具它可以从多人视频中自动检测人脸、持续跟踪目标并提取每个人最优的正脸图像自动排除侧脸。只需一条命令就能批量产出可用于 CNN 训练或人脸识别后端的人脸图片。本教程将带你 10 分钟内完成环境搭建与首次运行。一、项目能做什么3 步搞定人脸提取 整个流程可以概括为三步步骤模块作用1️⃣ 检测MTCNNalign/目录定位画面中的每一张人脸及 5 个关键点2️⃣ 跟踪SORT 跟踪器src/sort.py用卡尔曼滤波 数据关联为每张脸分配稳定 ID3️⃣ 提取侧脸判断 最优脸筛选lib/face_utils.py剔除侧脸为每个人保存最清晰的正脸图片最终结果会按视频名分文件夹保存在facepics目录中。典型用途包括✅ 批量提取视频人脸作为CNN 训练数据集✅ 把提取的人脸送到后端做人脸识别二、环境搭建3 步完成依赖安装 ⚙️1. 准备 Python 环境项目要求Python 3.5推荐使用 3.7~3.9 并创建虚拟环境python3 -m venv face_env source face_env/bin/activate # Windows 使用 face_env\Scripts\activate2. 克隆项目并安装依赖git clone https://gitcode.com/gh_mirrors/fa/Face-Track-Detect-Extract cd Face-Track-Detect-Extract pip install -r requirements.txt依赖清单见requirements.txt包含numba、scikit-learn、opencv-python、numpy、filterpy、tensorflow-gpu无显卡环境可改装tensorflow。3. 放入你的测试视频把 mp4 / avi 格式的视频放入项目根目录的videos/文件夹仓库已自带两段示例视频如videos/2_Obama.mp4开箱即用。 小提示project_root_dir.py会自动定位项目根目录因此请在项目根目录下运行脚本。三、5 分钟看懂项目结构 Face-Track-Detect-Extract/ ├── start.py # 程序入口所有参数都在这里解析 ├── align/ # MTCNN 人脸检测模型与检测逻辑 ├── lib/ │ ├── face_utils.py # 基于 5 关键点判断正脸/侧脸 │ └── utils.py # 日志、保存人脸到磁盘等工具函数 ├── src/ │ ├── sort.py # SORT 多目标跟踪主逻辑 │ ├── kalman_tracker.py # 卡尔曼滤波框跟踪器 │ └── data_association.py # 匈牙利算法检测-轨迹匹配 └── videos/ # 待处理的视频输入目录四、首次运行一键启动人脸检测与跟踪 ▶️1. 基础运行python3 start.py运行后会实时弹出视频画面可以看到每张人脸被彩色边框框住并标注ID : n DETECT即 SORT 分配的跟踪 ID每detect_interval帧执行一次 MTCNN 检测其余帧由卡尔曼滤波预测位置按q键可提前结束。运行完成后打开facepics/目录即可看到按「视频名/人脸ID」组织的人脸图片。2. 绘制 5 个关键点可选python3 start.py --face_landmarks提取的人脸上会标注眼睛、鼻尖、嘴角等 5 个关键点方便直观检查对齐质量。3. 无显示器服务器运行python3 start.py --no_display五、常用参数调优技巧 ️start.py支持的参数一览默认值来自源码参数默认值建议--videos_dirvideos视频所在目录--output_pathfacepics人脸图片输出目录--detect_interval1性能与流畅度平衡卡顿可调大--margin10人脸占画面较大时可调大跟踪更稳--scale_rate0.7输入帧缩放调小可显著提速--face_score_threshold0.85人脸置信度阈值0x≤1误检多可调高--face_landmarks关在提取图上画 5 关键点--no_display关关闭可视化窗口提速黄金组合--detect_interval 3 --scale_rate 0.5适合批量处理长视频。六、常见报错与解决办法 No module named tensorflow确认虚拟环境已激活执行pip install tensorflow或tensorflow-gpu。画面无人脸 / 漏检调低--face_score_threshold如 0.7或确认最小人脸 ≥40 像素代码中minsize 40。跟踪 ID 频繁跳变调大--margin或减小--detect_interval的检测间隔。保存数量偏少提取需跟踪器累积足够样本≥5 帧且为优质正脸才落盘属正常筛选逻辑。七、总结你的下一步 恭喜你已完成环境搭建与依赖安装使用自带视频完成首次人脸检测 跟踪 提取掌握了核心参数的调优思路接下来可以试试用自己的监控/演讲视频跑一遍把facepics中的人脸接入识别模型体验从「视频」到「人脸数据」的完整流水线。项目采用 MIT 协议见LICENSE欢迎在二次开发时自由使用。【免费下载链接】Face-Track-Detect-Extract Detect , track and extract the optimal face in multi-target faces (exclude side face and select the optimal face).项目地址: https://gitcode.com/gh_mirrors/fa/Face-Track-Detect-Extract创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考