深海游弋的鱼 – 第 119 页

ubuntu 16.04 LTS使用开源面部识别库Openface

Openface是一个基于深度神经网络的开源人脸识别系统。该系统基于谷歌的文章FaceNet: A Unified Embedding for Face Recognition and Clustering。Openface是卡内基梅隆大学的Brandon Amos主导的。

1.准备系统环境

如果是服务器版本的ubuntu,可能默认Python都没有安装

#如果没有安装python的话，执行最小安装命令即可，目前我们需要的是Python2
$ sudo apt-get install python-minimal
$ sudo apt-get install python-pip
$ sudo pip install --upgrade pip

#如果没有安装git的话，此处需要手工安装
$ sudo apt-get install git

#编译dlib时候需要
$ sudo apt-get install cmake
$ sudo apt-get install libboost-dev
$ sudo apt-get install libboost-python-dev

#如果没有安装python的话，执行最小安装命令即可，目前我们需要的是Python2

$ sudo apt-get install python-minimal

$ sudo apt-get install python-pip

$ sudo pip install --upgrade pip

#如果没有安装git的话，此处需要手工安装

$ sudo apt-get install git

#编译dlib时候需要

$ sudo apt-get install cmake

$ sudo apt-get install libboost-dev

$ sudo apt-get install libboost-python-dev

2.下载代码

$ git clone https://github.com/cmusatyalab/openface.git

1	$ git clone https://github.com/cmusatyalab/openface.git

3.安装`opencv`

$ sudo apt-get install libopencv-dev
$ sudo apt-get install python-opencv

1 2	$ sudo apt-get install libopencv-dev $ sudo apt-get install python-opencv

4.安装依赖的`python`库

$ cd openface
$ pip install -r requirements.txt
$ sudo pip install dlib
$ sudo pip install matplotlib

$ cd openface

$ pip install -r requirements.txt

$ sudo pip install dlib

$ sudo pip install matplotlib

5.安装`Torch7`

参考链接 ubuntu 16.04 LTS上安装Torch7

编译完成后，路径变量被加入了.bashrc，我们需要刷新一下Shell的环境变量

# 使 torch7 设置的刚刚的环境变量生效
source ~/.bashrc

1 2	# 使 torch7 设置的刚刚的环境变量生效 source ~/.bashrc

6.安装依赖的`lua`库

$ luarocks install dpnn

#下面的为选装，有些函数或方法可能会用到
$ luarocks install image
$ luarocks install nn
$ luarocks install graphicsmagick
$ luarocks install torchx
$ luarocks install csvigo

$ luarocks install dpnn

#下面的为选装，有些函数或方法可能会用到

$ luarocks install image

$ luarocks install nn

$ luarocks install graphicsmagick

$ luarocks install torchx

$ luarocks install csvigo

7.编译代码

$ python setup.py build
$ sudo python setup.py install

1 2	$ python setup.py build $ sudo python setup.py install

8.下载预训练后的数据

$ sh models/get-models.sh
#参考 https://cmusatyalab.github.io/openface/models-and-accuracies/ 下载对应的模型
$ wget https://storage.cmusatyalab.org/openface-models/nn4.v1.t7 -O models/openface/nn4.v1.t7

$ sh models/get-models.sh

#参考 https://cmusatyalab.github.io/openface/models-and-accuracies/ 下载对应的模型

$ wget https://storage.cmusatyalab.org/openface-models/nn4.v1.t7 -O models/openface/nn4.v1.t7

9.执行测试Demo

执行的脚本face_detect.py代码如下：

#!/usr/bin/env python2

import argparse
import cv2
import os
import dlib

import numpy as np
np.set_printoptions(precision=2)
import openface

from matplotlib import cm

fileDir = os.path.dirname(os.path.realpath(__file__))
modelDir = os.path.join(fileDir, '..', 'models')
dlibModelDir = os.path.join(modelDir, 'dlib')

if __name__ == '__main__':
    parser = argparse.ArgumentParser()
    parser.add_argument(
        '--dlibFacePredictor',
        type=str,
        help="Path to dlib's face predictor.",
        default=os.path.join(
            dlibModelDir,
            "shape_predictor_68_face_landmarks.dat"))
    parser.add_argument(
        '--networkModel',
        type=str,
        help="Path to Torch network model.",
        default='models/openface/nn4.v1.t7')
    # Download model from:
    # https://storage.cmusatyalab.org/openface-models/nn4.v1.t7
    parser.add_argument('--imgDim', type=int,
                        help="Default image dimension.", default=96)
    # parser.add_argument('--width', type=int, default=640)
    # parser.add_argument('--height', type=int, default=480)
    parser.add_argument('--width', type=int, default=1280)
    parser.add_argument('--height', type=int, default=800)
    parser.add_argument('--scale', type=int, default=1.0)
    parser.add_argument('--cuda', action='store_true')
    parser.add_argument('--image', type=str,help='Path of image to recognition')

    args = parser.parse_args()
    if (None == args.image) or (not os.path.exists(args.image)):
	print '--image not set or image file not exists'
	exit()

    align = openface.AlignDlib(args.dlibFacePredictor)
    net = openface.TorchNeuralNet(
        args.networkModel,
        imgDim=args.imgDim,
        cuda=args.cuda)

    cv2.namedWindow('video', cv2.WINDOW_NORMAL)

    frame = cv2.imread(args.image)  
    bbs = align.getAllFaceBoundingBoxes(frame)
    for i, bb in enumerate(bbs):
	# landmarkIndices set  "https://cmusatyalab.github.io/openface/models-and-accuracies/"
        alignedFace = align.align(96, frame, bb,
                                      landmarkIndices=openface.AlignDlib.OUTER_EYES_AND_NOSE)
        rep = net.forward(alignedFace)

        center = bb.center()
        centerI = 0.7 * center.x * center.y / \
                (args.scale * args.scale * args.width * args.height)
        color_np = cm.Set1(centerI)
        color_cv = list(np.multiply(color_np[:3], 255))

        bl = (int(bb.left() / args.scale), int(bb.bottom() / args.scale))
        tr = (int(bb.right() / args.scale), int(bb.top() / args.scale))
        cv2.rectangle(frame, bl, tr, color=color_cv, thickness=3)

    cv2.imshow('video', frame)

    cv2.waitKey (0)  

    cv2.destroyAllWindows()

#!/usr/bin/env python2

import argparse

import cv2

import os

import dlib

import numpy as np

np.set_printoptions(precision=2)

import openface

from matplotlib import cm

fileDir = os.path.dirname(os.path.realpath(__file__))

modelDir = os.path.join(fileDir, '..', 'models')

dlibModelDir = os.path.join(modelDir, 'dlib')

if __name__ == '__main__':

parser = argparse.ArgumentParser()

parser.add_argument(

'--dlibFacePredictor',

type=str,

help="Path to dlib's face predictor.",

default=os.path.join(

dlibModelDir,

"shape_predictor_68_face_landmarks.dat"))

parser.add_argument(

'--networkModel',

type=str,

help="Path to Torch network model.",

default='models/openface/nn4.v1.t7')

# Download model from:

# https://storage.cmusatyalab.org/openface-models/nn4.v1.t7

parser.add_argument('--imgDim', type=int,

help="Default image dimension.", default=96)

# parser.add_argument('--width', type=int, default=640)

# parser.add_argument('--height', type=int, default=480)

parser.add_argument('--width', type=int, default=1280)

parser.add_argument('--height', type=int, default=800)

parser.add_argument('--scale', type=int, default=1.0)

parser.add_argument('--cuda', action='store_true')

parser.add_argument('--image', type=str,help='Path of image to recognition')

args = parser.parse_args()

if (None == args.image) or (not os.path.exists(args.image)):

print '--image not set or image file not exists'

exit()

align = openface.AlignDlib(args.dlibFacePredictor)

net = openface.TorchNeuralNet(

args.networkModel,

imgDim=args.imgDim,

cuda=args.cuda)

cv2.namedWindow('video', cv2.WINDOW_NORMAL)

frame = cv2.imread(args.image)

bbs = align.getAllFaceBoundingBoxes(frame)

for i, bb in enumerate(bbs):

# landmarkIndices set "https://cmusatyalab.github.io/openface/models-and-accuracies/"

alignedFace = align.align(96, frame, bb,

landmarkIndices=openface.AlignDlib.OUTER_EYES_AND_NOSE)

rep = net.forward(alignedFace)

center = bb.center()

centerI = 0.7 * center.x * center.y / \

(args.scale * args.scale * args.width * args.height)

color_np = cm.Set1(centerI)

color_cv = list(np.multiply(color_np[:3], 255))

bl = (int(bb.left() / args.scale), int(bb.bottom() / args.scale))

tr = (int(bb.right() / args.scale), int(bb.top() / args.scale))

cv2.rectangle(frame, bl, tr, color=color_cv, thickness=3)

cv2.imshow('video', frame)

cv2.waitKey (0)

cv2.destroyAllWindows()

在Shell中如下执行代码：

$ python demos/face_detect.py --image=xx.jpeg

1	$ python demos/face_detect.py --image=xx.jpeg

识别完成后会弹出识别到的面部图片。

macOS Sierra (10.12.4)下使用Android Studio打开Android Virtual Device Manager报告“/dev/kvm is not found”错误

Android Virtual Device Manager突然出现了/dev/kvm is not found这个错误，我猜测大概Hardware_Accelerated_Execution_Manager丢失了某些文件，或者没安装好HAXM。

继续阅读macOS Sierra (10.12.4)下使用Android Studio打开Android Virtual Device Manager报告“/dev/kvm is not found”错误

ubuntu 16.04 LTS上16进制文件编辑&比较工具wxHexEditor

ubuntu 16.04 LTS上比较好用的16进制编辑&比较工具，当属wxHexEditor,官网地址在http://www.wxhexeditor.org/。

在Ubuntu系统上，可以使用如下命令安装：

$ sudo apt-get install wxhexeditor

$ wxHexEditor

$ sudo apt-get install wxhexeditor

$ wxHexEditor

参考链接

git删除未监视的文件(untracked files)命令用法

git在Linux下删除未监视的文件(untracked files)，一般通过命令来执行更方便，具体执行如下：

# 删除 untracked files
$ git clean -f

# 连 untracked 的目录也一起删掉
$ git clean -fd

# 连 gitignore 的untrack 文件/目录也一起删掉 （慎用，一般这个是用来删掉编译出来的 .o之类的文件用的）
$ git clean -xfd

# 在用上述 git clean 前，建议加上 -n 参数来先看看会删掉哪些文件，防止重要文件被误删
$ git clean -nxfd
$ git clean -nf
$ git clean -nfd

# 删除 untracked files

$ git clean -f

# 连 untracked 的目录也一起删掉

$ git clean -fd

# 连 gitignore 的untrack 文件/目录也一起删掉（慎用，一般这个是用来删掉编译出来的 .o之类的文件用的）

$ git clean -xfd

# 在用上述 git clean 前，建议加上 -n 参数来先看看会删掉哪些文件，防止重要文件被误删

$ git clean -nxfd

$ git clean -nf

$ git clean -nfd

一般执行

$ git clean -xfd

1	$ git clean -xfd

即可。

ubuntu 16.04 LTS上安装Torch7

1.安装luarocks

$ sudo apt-get install luarocks

1	$ sudo apt-get install luarocks

2.安装torch

$ git clone https://github.com/torch/distro.git ~/torch --recursive
$ cd ~/torch; bash install-deps;
$ ./install.sh

$ git clone https://github.com/torch/distro.git ~/torch --recursive

$ cd ~/torch; bash install-deps;

$ ./install.sh

如果要使用`NVIDIA CUDA`加速版本的`Torch7`则使用如下方法

1.安装luarocks

$ sudo apt-get install luarocks

1	$ sudo apt-get install luarocks

2.下载NVIDIA CUDA适配的代码

$ git clone https://github.com/torch/cutorch.git

1	$ git clone https://github.com/torch/cutorch.git

3.安装编译依赖的库

$ sudo apt install nvidia-cuda-toolkit

1	$ sudo apt install nvidia-cuda-toolkit

4.编译代码

$ cd cutorch
$ mkdir build
$ cd build
$ cmake ..
$ make

$ cd cutorch

$ mkdir build

$ cd build

$ cmake ..

$ make

参考链接

ubuntu 16.04 LTS编译最新的FFMPEG 3.3

ubuntu 16.04 LTS编译最新的FFMPEG 3.3的时候被Git的autocrlf折磨了好几天才搞定，在这里记录一下：

$ sudo apt-get install git
#关键操作，否在检出的代码无法正常编译
$ git config --global core.autocrlf false
$ git clone https://git.ffmpeg.org/ffmpeg.git
$ cd ffmpeg
#不要安装nasm否在编译不通过，应当使用yasm
$ sudo apt-get remove nasm
$ sudo apt-get install yasm
$ git fetch
$ git branch -a
$ git checkout -t remotes/origin/release/3.3
$ sudo apt-get update
$ sudo apt-get -y install autoconf automake build-essential libass-dev libfreetype6-dev \
  libsdl1.2-dev libtheora-dev libtool libva-dev libvdpau-dev libvorbis-dev libxcb1-dev libxcb-shm0-dev \
  libxcb-xfixes0-dev pkg-config texinfo zlib1g-dev
$ ./configure
$ make

$ sudo apt-get install git

#关键操作，否在检出的代码无法正常编译

$ git config --global core.autocrlf false

$ git clone https://git.ffmpeg.org/ffmpeg.git

$ cd ffmpeg

#不要安装nasm否在编译不通过，应当使用yasm

$ sudo apt-get remove nasm

$ sudo apt-get install yasm

$ git fetch

$ git branch -a

$ git checkout -t remotes/origin/release/3.3

$ sudo apt-get update

$ sudo apt-get -y install autoconf automake build-essential libass-dev libfreetype6-dev \

libsdl1.2-dev libtheora-dev libtool libva-dev libvdpau-dev libvorbis-dev libxcb1-dev libxcb-shm0-dev \

libxcb-xfixes0-dev pkg-config texinfo zlib1g-dev

$ ./configure

$ make

注意，如果检出的代码在执行./configure的时候报告错误：

bash: ./configure: /bin/sh^M: 解释器错误: 没有那个文件或目录

1	bash: ./configure: /bin/sh^M: 解释器错误: 没有那个文件或目录

则目前看到原因是Git的autocrlf导致的。

其余的参考 https://trac.ffmpeg.org/wiki/CompilationGuide即可。

ubuntu 16.04 LTS更改机器名后执行sudo提示"sudo: 无法解析主机：xx-ubuntu: 连接超时"

ubuntu 16.04 LTS更改机器名后执行sudo提示"sudo: 无法解析主机：xx-ubuntu: 连接超时"。
出现这种问题是hosts文件没有配置好所导致的，linux无法解析到您的主机地址，解决方案如下：

$ sudo vim /etc/hosts

1	$ sudo vim /etc/hosts

打开文件以后，将其中的:

127.0.1.1       xxx(旧主机名）

1	127.0.1.1 xxx(旧主机名）

修改为新的主机名。

error: call to ‘__open_missing_mode’ declared with attribute error: open with O_CREAT or O_TMPFILE in second argument needs 3 arguments

使用open函数的时候，如果在第二个参数中使用了O_CREAT，就必须添加第三个参数：创建文件时赋予的初始权。

In function ‘open’,
    inlined from ‘test_detector_ffmpeg’ at ./src/ff_darknet.c:421:15:
/usr/include/x86_64-linux-gnu/bits/fcntl2.h:50:4: error: call to ‘__open_missing_mode’ declared with attribute error: open with O_CREAT or O_TMPFILE in second argument needs 3 arguments
    __open_missing_mode ();
    ^
compilation terminated due to -Wfatal-errors.

In function ‘open’,

inlined from ‘test_detector_ffmpeg’ at ./src/ff_darknet.c:421:15:

/usr/include/x86_64-linux-gnu/bits/fcntl2.h:50:4: error: call to ‘__open_missing_mode’ declared with attribute error: open with O_CREAT or O_TMPFILE in second argument needs 3 arguments

__open_missing_mode ();

compilation terminated due to -Wfatal-errors.

建议使用如下参数创建文件：

//0755
fd = open(file_path,O_CREAT | O_APPEND | O_WRONLY,S_IRWXU|S_IRUSR|S_IXUSR|S_IROTH|S_IXOTH);

1 2	//0755 fd = open(file_path,O_CREAT \| O_APPEND \| O_WRONLY,S_IRWXU\|S_IRUSR\|S_IXUSR\|S_IROTH\|S_IXOTH);

ubuntu 16.04 LTS启动Eclipse Neno.3 报错"An error has occurred. See the log file"

ubuntu 16.04 LTS启动Eclipse Neno.3报错"An error has occurred. See the log file",具体如下图所示：

继续阅读ubuntu 16.04 LTS启动Eclipse Neno.3 报错"An error has occurred. See the log file"

Ubuntu 16.04/14.04.5安装Nvidia CUDA驱动

Ubuntu 16.04/14.04.5上已经可以简化到直接用命令行来安装Nvidia CUDA驱动了，不需要以往的繁琐操作，只是安装的版本比较老，但是目前已经足够使用了。

$ sudo apt install nvidia-cuda-toolkit

1	$ sudo apt install nvidia-cuda-toolkit

安装的版本目前是Nvidia CUDA 7.5(Ubuntu 16.04)/Nvidia CUDA 5.5(Ubuntu 14.04.5)版本,最新的Nvidia CUDA 8.0版本还是需要从Nvidia官网下载，然后手工安装才行。

2025 年 11 月
一	二	三	四	五	六	日
					1	2
3	4	5	6	7	8	9
10	11	12	13	14	15	16
17	18	19	20	21	22	23
24	25	26	27	28	29	30

1.准备系统环境

2.下载代码

3.安装opencv

4.安装依赖的python库

5.安装Torch7

6.安装依赖的lua库

7.编译代码

8.下载预训练后的数据

9.执行测试Demo

参考链接

如果要使用NVIDIA CUDA加速版本的Torch7则使用如下方法

参考链接

3.安装`opencv`

4.安装依赖的`python`库

5.安装`Torch7`

6.安装依赖的`lua`库

如果要使用`NVIDIA CUDA`加速版本的`Torch7`则使用如下方法