实现人脸识别、人脸68个特征点提取，或许这个Python库能帮到你！

之前写过一篇关于实现人脸识别的文&＃xff0c;里面用到的技术是通过调用百度 API 实现的&＃xff0c;本次将借助于 dlib 程序包实现人脸区域检测、特征点提取等功能&＃xff0c;

dlib 封装了许多优秀的机器学习算法&＃xff0c; 可实现人脸识别、检测、识别&＃xff0c;视频目标追逐等功能&＃xff0c;是由由 C&＃43;&＃43;开发的一个开源程序库&＃xff0c;目前也提供了 Python 接口&＃xff0c;可供我们直接调用。

1&＃xff0c;dilb 安装

dlib 程序包的安装方式也是用 pip 来进行安装的&＃xff0c;但不同于其它程序包的是&＃xff0c;在输入

pip install dlib


之前&＃xff0c;需要安装 Cmake 程序包&＃xff0c;该工具主要是对 dlib 进行编译&＃xff0c;安装命令与其他包类似

pip install Cmake


2&＃xff0c;实现人脸识别

利用 dlib 实现人脸识别功能时&＃xff0c;先定义一个检测器和一个 图片预览窗口&＃xff1a;

detector &＃61; dlib.get_frontal_face_detector()
win &＃61; win &＃61; dlib.image_window()


之后利用 load_rgb_image() 函数读取图像&＃xff1a;

img &＃61; dlib.load_rgb_image(f)


接下来进行核心功能人脸检测的实现&＃xff0c;这里需要借助于上面定义得到的检测器

dets,score,idx &＃61; detector.run(img,1&＃xff0c;-1)


img 就是我们读取后的图像&＃xff0c;第二个参数 1 代表的是图片上采样倍数&＃xff0c;值越大&＃xff0c;最终识别得到的结果越好&＃xff0c;-1 代表的是调整分割阈值&＃xff0c;负值表示将返回更多检测结果

返回的 dets 返回的是一个人脸区域矩形&＃xff0c;分别表示左&＃xff0c;上、右、下边界&＃xff0c;是 tuple 形式&＃xff0c;如果检测出一个人脸&＃xff0c;则为一个 tuple, 如果是多个人脸&＃xff0c;将会把多个 tuple 放置在一个列表中&＃xff1b;有个这个矩形坐标就可以做以下事情&＃xff1a;

• 人脸区域裁剪&＃xff0c;进行区域提取&＃xff1b;
• 人脸区域线条标记

score 表示的是人脸识结果检测概率&＃xff0c;越大代表识别出来的结果越好&＃xff1b;如果一幅图有多个人脸&＃xff0c;则返回多个检测概率以列表形式储存&＃xff1b;idx 是用于在一副图检测出多个人脸是用的索引&＃xff0c;可以对其进行索引

win.clear_overlay()
win.set_image(img)
win.add_overlay(dets)
dlib.hit_enter_to_continue


最后我们利用 前面定义的 win 窗口&＃xff0c;进行图像预览&＃xff0c;结果如下&＃xff0c;

当然也可以用 OpenCV 进行轮廓勾勒&＃xff0c;OpenCV 勾勒结果如下( 有色差的原因是OpenCV 读取的是 BGR 通道顺序 )&＃xff1b;

3&＃xff0c;dlib 提取人脸68个特征点

OpenCV 也可以用于人脸识别&＃xff0c;但效果不如 dlib &＃xff0c;除了上面提到的线框检测之外&＃xff0c;dlib 还可以直接提取人脸上的 68 个特征点&＃xff0c;作为坐标形式来返回&＃xff1b;

有了这 68 个特征点的坐标&＃xff0c;可以很方便地帮助我们实现人脸对齐、融合等应用&＃xff0c;先看一下用 dlib 勾勒出来的效果

与人脸识别不一样的是&＃xff0c;这里需要加上一个形状检测器&＃xff0c;形状检测器这里需要官网提供的文件、里面放置已经训练好的权重信息&＃xff0c;可以直接使用&＃xff0c;上面功能实现代码如下&＃xff1a;

import dlib
import os
import cv2predictor_path &＃61; "E:/shape_predictor_68_face_landmarks.dat"#权重文件路径
png_path &＃61; "E:/ceshi.png"detector &＃61; dlib.get_frontal_face_detector()
#相撞
predicator &＃61; dlib.shape_predictor(predictor_path)
win &＃61; dlib.image_window()
img &＃61; dlib.load_rgb_image(png_path)
win.clear_overlay()
win.set_image(img1)for k,d in enumerate(dets):print("Detection {} left:{} Top: {} Right {} Bottom {}".format(k,d.left(),d.top(),d.right(),d.bottom()shape &＃61; predicator(img,d)#Get the landmarks/parts for face in box dprint("Part 0&＃xff1a;{}&＃xff0c;Part 1 :{}".format(shape.part(0),shape.part(1)))win.add_overlay(shape)win.add_overlay(dets)
dlib.hit_enter_to_continue()


坐标点的获取可以通过 part(index) 函数获取

上面的坐标点&＃xff0c;也可以通过 OpenCV 在原图上勾勒出来&＃xff0c;并注释上文字&＃xff0c;效果如下&＃xff1a;

附上完整代码&＃xff1a;

import dlib
import os
import cv2predictor_path &＃61; "E:/shape_predictor_68_face_landmarks.dat"
png_path &＃61; "E:/ceshi.png"detector &＃61; dlib.get_frontal_face_detector()
#相撞
predicator &＃61; dlib.shape_predictor(predictor_path)
win &＃61; dlib.image_window()
img1 &＃61; cv2.imread(png_path)dets &＃61; detector(img1,1)
print("Number of faces detected : {}".format(len(dets)))
for k,d in enumerate(dets):print("Detection {} left:{} Top: {} Right {} Bottom {}".format(k,d.left(),d.top(),d.right(),d.bottom()))lanmarks &＃61; [[p.x,p.y] for p in predicator(img1,d).parts()]for idx,point in enumerate(lanmarks):point &＃61; (point[0],point[1])cv2.circle(img1,point,5,color&＃61;(0,0,255))font &＃61; cv2.FONT_HERSHEY_COMPLEX_SMALLcv2.putText(img1,str(idx),point,font,0.5,(0,255,0),1,cv2.LINE_AA)#对标记点进行递归&＃xff1b;cv2.namedWindow("img",cv2.WINDOW_NORMAL)
cv2.imshow("img",img1)
cv2.waitKey(0)


4&＃xff0c;小总结

以上就是对 dlib 程序包的简单介绍&＃xff0c;在人脸识别应用方面上 dlib 的表现相当不错的&＃xff0c;有兴趣的同学可以去官网看关于 dlib 的详细介绍&＃xff0c;自己闲余时间动手跟着敲一下。

下篇文章将介绍利用 OpenCV 实现人脸融合技术&＃xff0c;里面会用到本篇提到的人脸 68 个特征点坐标&＃xff0c;算是本篇文章的延申&＃xff0c;感兴趣的小伙伴可以提前关注一波。

文中提到的权重文件获取方式&＃xff0c;在公众号:小张Python后台回复关键字&＃xff1a;dlib 即可获取

参考链接:

1&＃xff0c;http://dlib.net/face_landmark_detection.py.html

2&＃xff0c;https://blog.csdn.net/qq_39438636/article/details/79304130

3&＃xff0c;http://dlib.net/