【计算机视觉40例】案例33：绘制人脸关键点

【计算机视觉40例】案例33：绘制人脸关键点

Dlib是一个现代工具包，包含机器学习算法和工具，用于在程序中构造软件来解决复杂的现实世界问题。它被工业界和学术界广泛应用于机器人、嵌入式设备、移动电话和大型高性能计算环境等领域。Dlib的开源许可允许用户在任何应用程序中免费使用它。

Dlib官网提供了非常翔实的资料，对它的函数有非常具体的使用说明。除此以外，Dlib官网还提供了大量的案例帮助我们快速掌握该工具的使用。

本章中，我们使用Dlib实现几个跟人脸识别相关的具有代表性的案例，具体如下：

定位人脸绘制关键点勾勒五官轮廓人脸对齐调用CNN实现人脸检测

本章中所使用的模型均可在Dlib官网下载。

在Dlib中，提供了dlib.shape_predictor对特定对象的关键点进行标注。例如，它能识别出重要人脸标志（如嘴角、眼角、鼻尖等）的关键点所在位置。它的输入是原始图像、及对象所在位置标记，输出是一组关键点信息。

使用Dlib获取人脸关键点的基本步骤如图1所示。

图1 获取关键点流程

分步骤说明如下：

Step 1：构造人脸检测器

detector = dlib.get_frontal_face_detector()

Step 2：检测人脸框（使用人脸检测器返回检测到的人脸框）

使用step 1中所构造的人脸检测器detector，检测指定图像内的人脸。其语法格式为：

faces=detector(image,n)

此时得到的faces是图像内所有的人脸所对应的方框。

Step 3：载入模型（加载预测器）

其语法结构为：

predictor = dlib.shape_predictor(模型文件)

在Dlib中存在着两个关键点模型，其中一个是具有5个关键点的模型，另外一个是具有68个关键点的模型。其中，5个关键点的模型，仅仅检测5个关键点，分别是每只眼睛的两个眼角（共4个关键点），以及两鼻孔中间的一个点。而68个关键点的模型可以检测到68个关键点，如图2所示。

图2 人脸关键点

通常，我们使用dlib内的68个关键点模型文件，其默认名称为“shape_predictor_68_face_landmarks.dat”。因此，载入模型的语句通常为：

predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")

Step 4：获取每一张脸的关键点（实现检测）

针对一幅图像img，使用step 3中所构造的predictor对step 2中得到的人脸框集合中的每一张人脸进行关键点的检测。具体为：

shape = predictor(img, face)

式中，

返回值shape：返回68个关键点。参数img：要检测的可能含有人脸的灰度图像。参数face：单个人脸框（来源于step 2的结果faces中）。

Step 5：绘制每一张脸的关键点（绘制shape中的每个点）

该步骤中，需要将step 4中获得的关键点类型转换为(x,y)的坐标形式，再通过循环使用绘制圆形函数cv2.circle实现每一个关键点绘制。

该步骤对应代码如下：

landmarks = np.matrix([[p.x, p.y] for p in shape.parts()])

# 遍历每一个关键点

for idx, point in enumerate(landmarks):

pos = (point[0, 0], point[0, 1])  # 当前关键的坐标

# 针对当前关键点，绘制一个实心圆

cv2.circle(img, pos, 2, color=(0, 255, 0),thickness=-1)

font = cv2.FONT_HERSHEY_SIMPLEX      # 字体

# 利用cv2.putText输出1-68,索引序号加1，显示时从1开始。

cv2.putText(img, str(idx + 1), pos, font, 0.4,

(255, 255, 255), 1, cv2.LINE_AA)

按照上述步骤编写程序，运行结果如图3所示，它显示了人脸关键点及对应的序号。

图3 运行结果

在《计算机视觉40例——从入门到深度学习（OpenCV-Python）》第27章《dlib库》中详细介绍了定位人脸、绘制关键点、勾勒五官轮廓、人脸对齐、调用CNN实现人脸检测等案例。

《计算机视觉40例——从入门到深度学习（OpenCV-Python）》在介绍Python基础、OpenCV基础、计算机视觉理论基础、深度学习理论的基础上，介绍了计算机视觉领域内具有代表性的40个典型案例。这些案例中，既有传统的案例（数字识别、答题卡识别、物体计数、缺陷检测、手势识别、隐身术、以图搜图、车牌识别、图像加密、指纹识别等），也有深度学习案例（图像分类、风格迁移、姿势识别、实例分割等），还有人脸识别方面的案例（表情识别、驾驶员疲劳监测、识别性别与年龄等）。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。