FeatureExtraction可执行文件用于包含单个面孔，FaceLandmarkVidMulti的序列分析，旨在用于包含多个面孔的序列分析，FaceLandmarkImg可执行文件用于单个图像分析（可以包含一个或多个面孔）。下面概述了一些常见的示例用法。对于Ubuntu或Mac OS X，请省略.exe。为了使命令起作用，当前目录必须与可执行文件位于同一目录中，或者您需要指定可执行文件的完整路径。
如果要从C:\my videos\video.avi位置中的视频文件中提取OpenFace功能（按功能，我们指的是OpenFace提取的所有功能：面部标志，头部姿势，眼睛凝视，面部动作单位，相似性对齐的脸部和HOG），假定仅一个人出现在该视频文件中，在命令行上执行以下命令：
FeatureExtraction.exe -f "C:\my videos\video.avi"如果视频中有多个人，请使用：
FaceLandmarkVidMulti.exe -f "C:\my videos\video.avi" 这将在与featureextract或FaceLandmarkVidMulti相同的目录(工作目录)中创建一个“processed”目录，该目录将包含已处理的特性。
如果你想从多个视频文件提取OpenFacet特征，如C:\my videos\video1.avi，C:\my videos\video2.avi，C:\my videos\video3.avi，执行命令行上输入以下命令：
FeatureExtraction.exe -f "C:\my videos\video1.avi" -f "C:\my videos\video2.avi" -f "C:\my videos\video3.avi"或者：
FaceLandmarkVidMulti.exe -f "C:\my videos\video1.avi" -f "C:\my videos\video2.avi" -f "C:\my videos\video3.avi"如果您只想从C:\my videos\video1.avi中的视频文件中提取头部姿势，请在命令行上执行以下命令：
FeatureExtraction.exe -f "C:\my videos\video1.avi" -pose如果目录中有一系列图像而不是视频文件，而每个图像都代表一个帧（例如，目录"C:\my videos\sequence1"中的001.jpg，002.jpg，003.jpg … 200.jpg ），则可以从中提取特征序列：
FeatureExtraction.exe -fdir "C:\my videos\sequence1"或者：
FaceLandmarkVidMulti.exe -fdir "C:\my videos\sequence1"如果要从C:\my images\img.jpg路径下的图像文件中提取OpenFace功能（可以包含多个人），请在命令行上执行以下命令：
FaceLandmarkImg.exe -f "C:\my images\img.jpg" 这将processed在与FaceLandmarkImg包含已处理功能的目录相同的目录（工作目录）中创建一个目录。
如果你想从多个图像文件提取OpenFace功能，如C:\my images\img1.jpg，C:\my images\img2.jpg，C:\my images\img3.jpg，执行命令行上输入以下命令：
FaceLandmarkImg.exe -f "C:\my images\img1.jpg" -f "C:\my images\img2.jpg" -f "C:\my images\img3.jpg"另外，如果要处理C:\my images目录中的所有图像，可以使用：
FaceLandmarkImg.exe -fdir "C:\my images"这将处理目录中的所有图像（.jpg，jpeg，.bmp，.png文件）。
注意，FeatureExtraction和FaceLandmarkImg使用-fdir的区别在于，FeatureExtraction假设来自一个视频的图像序列只包含一个面孔，而FaceLandmarkImg假设是一个随机的图像集合，它们之间没有关系，可以包含多个面孔。
另一个查看命令行参数如何工作的好方法是查看./matlab_runners/Demos/，它说明了每个模型是如何被调用的。
1. FaceLandmarkImg
（1）单张图像分析
-f < filename >：输入的图像文件可以有多个-f标志；
-out_dir < directory >：输出目录的名称，处理过的要素将放置在该目录中（例如，特征、视线和AUs的CSV文件，HOG功能文件，具有检测到的特征的图像和一个元文件）；
-root < dir > ：根目录，因此-f可以相对于它指定；
-inroot < dir > ：输入根目录，因此-f可以相对于它指定；
（2）批量图像分析
-fdir < directory > ：-对目录中的所有图像（.jpg，.jpeg，.png和.bmp）进行特征检测；
-bboxdir：包含.txt文件（image_name.txt）和边界框（min_x min_y max_x max_y）的可选目录，它将使用这些文件进行初始化，而不是内部人脸检测器；
-out_dir < directory > ：输出目录的名称，处理过的要素将放置在该目录中（例如，特征，凝视和aus的CSV文件，HOG功能文件，具有检测到的特征的图像和一个元文件）；
有关输出格式的更多详细信息，请参见此处
2. FeatureExtraction和FaceLandmarkVidMulti
（1）输入参数
-f < filename > ：输入的视频文件，可以指定多个 -f；
-fdir < directory > ：对目录中的每个图像（.jpg，.jpeg，.png和.bmp）运行特征提取（输出将存储在整个目录的单个文件中）；
-device < device id >： 网络摄像头的设备ID，用于从实时Feed中提取特征；
-cam_width ：输入的摄像头分辨率（默认为640），仅在设置了设备的情况下有效；
-cam_height ：输入的网络摄像头高度分辨率（默认为480），仅在设置了设备时有效；
-root < dir >： 输入的根；
-inroot < dir >： 输入的根；
-au_static：如果指定了此标志，则将在静态图像而非视频上执行AU预测，请参见此处以获取更详细的说明，这是FaceLandmarkVidMulti的默认行为；
（2）输出参数（有关输出格式的更多详细信息，请参见此处）
-out_dir < dir > ：与创建输出文件相关的根目录；
-of < filename >：输出的文件名（如果未指定，将使用原始文件名，如果使用，则使用目录名；如果使用-fdir网络摄像头，则使用网络摄像头+时间戳）；
-oc < FOURCC_CODE >：输出的视频文件的编解码器（FOURCC的代码列表可以在这里找到- https://www.fourcc.org/codecs.php）；
（3）输出的附加参数（适用于FaceLandmarkImg和FeatureExtraction）
-verbose 实时可视化处理步骤：具有注视，动作单元，相似性对齐的面部和HOG功能（默认情况下不可视）的跟踪面部，此标记将所有这些功能都打开，在标记下方允许进行更细粒度的控制，可视化这些输出将可能极大地降低处理速度；
-vis-track 可视化跟踪的脸；
-vis-hog 可视化HOG功能；
-vis-align 可视化相似对齐的面孔；
-vis-aus 可视化行动单位；
-simscale < float > 用于相似度对齐的脸部比例（默认0.7）；
-simsize < int > 对齐相似性时图像的宽度和高度（以像素为单位）（默认为112）；
-format_aligned < format > 对齐面的输出图像格式（例如png或jpg），OpenCV支持的任何格式；
**-format_vis_image < format >**可视化图像的输出图像格式（例如png或jpg），OpenCV支持的任何格式，仅适用于FaceLandmarkImg；
-nomask 强制对齐的面部输出图像不被遮罩；
-g 输出图像应为灰度（以节省空间）;
默认情况下，可执行文件将输出所有功能（跟踪的视频，HOG文件，相似性对齐的图像以及具有特征，动作单位和注视的.csv文件）。您可能并不总是希望提取所有输出功能，可以使用以下标志指定所需的输出：
-2Dfp 以像素为单位输出2D界标；
-3Dfp 以毫米为单位输出3D特征；
-pdmparams 输出刚性和非刚性形状参数；
-pose 输出头姿势（位置和旋转）；
-aus 输出面部动作单元；
-gaze 输出注视和相关特征（眼睛界标的2D和3D位置）；
-hogalign 输出提取的HOG特征文件；
-simalign 输出被跟踪人脸的相似度对齐图像；
-nobadaligned 如果输出相似对齐的图像，请勿从检测失败或不可靠的帧中输出（从而节省一些磁盘空间）；
-tracked 输出具有检测到的特征的视频；
3. FaceLandmarkVid
（1）输入参数
-f < filename > 输入的视频文件可以通过具有多个-f标志来指定多个文件；
-device < device_num > 从中读取图像的网络摄像头（默认为0）；
-cam_width 输入网络摄像头的分辨率（默认为640）；
-cam_height 输入的摄像头高度分辨率（默认为480）；
-inroot < directory > 输入的根目录，因此-f可以相对于它指定；
4. 所有通用参数
（1）使用参数的模型
-mloc <the location of landmark detection models>
- 1
选项：
1. “model/main_ceclm_general.txt”（默认）-接受有关各种姿势和照明的Multi-PIE以及野外数据（300W和Menpo）的训练。最准确，但最慢且最占用内存的方法。适用于大多数条件；
2. “model/main_clnf_general.txt”-受过多种PIE的训练，这些PIE具有不同的姿势和照明以及实时数据。在很多情况下都可以正常工作，但无法用于侧面轮廓和非常大的表情；
3. “model/main_clnf_wild.txt” -如上所述，但仅针对300W数据集（Helen和LFPW）进行了训练；
4. “model/main_clnf_multi_pie.txt” -受过CMU Multi-PIE数据集的培训，在光线充足的环境下效果很好；
5. “model/main_clm_general.txt”-最不准确，但是最快的型号；
（2）型号参数
-wild 标志指定图像何时更难处理，模型考虑扩展的搜索区域；
-multi_view <0/1> 应该使用多视图初始化（更健壮，但更慢），默认情况下关闭；
（3）可选的相机参数，用于正确的头部姿势和视线计算
-fx < focal length in x >
-fy < focal length in y >
-cx < optical centre in x >
-cy < optical centre in y >
注意：本文归作者所有，未经作者允许，不得转载
原文地址： http://blog.wsmee.com/post/190
版权声明：非商用-非衍生-保持署名| Creative Commons BY-NC-ND 3.0
