超详细注释之OpenCV|超详细注释之OpenCV dlib实现人脸采集超详细注释之OpenCVdlib实现人脸

上一篇博客中，我们了解了什么是面部标志，以及如何使用dlib，OpenCV和Python检测它们。利用dlib的HOG SVM的形状预测器获得面部ROI中面部区域的68个点（x，y）坐标。
这一篇博客中，将演示如何使用NumPy数组切片魔术来分别访问每个面部部分并提取眼睛，眉毛，鼻子，嘴巴和下巴的特征。
1. 效果图先上一张检测完的图：
【超详细注释之OpenCV|超详细注释之OpenCV dlib实现人脸采集】
文章图片

也可以每一部分先标识出来：

2. 原理面部标志主要是：口右眉左眉右眼左眼鼻子下颚线
这一节即提取这些部分；

文章图片

从图中可以看到假设是以0为下标的数组：

嘴唇可以认为是： points [48, 68]. 内嘴唇：[60,68]
右眉毛 points [17, 22].
左眉毛 points [22, 27].
右眼 [36, 42].
左眼 [42, 48].
鼻子 [27, 35].
下颌 [0, 17].

已经知道下标，数组切片，并用不同的颜色来标识各个部位，imutils包，可以帮助我们更优雅的写代码的包；已经有封装好方法face_utils 。
嘴唇等是闭合区域，用闭合的凸包表示，下颌用线勾勒；
面部标志检测返回结果是：68个（x，y）坐标：
（1）先转为适合OpenCV处理的 Numpy array，
（2）数组切片，用不同的颜色标识不同的面部结构部分；
3. 源码

# 安装了dlib# imutils 是最新的版本# python detect_face_parts.py --shape-predictor shape_predictor_68_face_landmarks.dat --image images/girl.jpgfrom imutils import face_utilsimport numpy as npimport argparseimport imutilsimport dlibimport cv2import shutilimport os# 构建命令行参数# --shape-predictor 必须形状检测器位置# --image 必须待检测的图片ap = argparse.ArgumentParser()ap.add_argument("-p", "--shape-predictor", required=True,help="path to facial landmark predictor")ap.add_argument("-i", "--image", required=True,help="path to input image")args = vars(ap.parse_args())temp_dir = "temp"shutil.rmtree(temp_dir, ignore_errors=True)os.makedirs(temp_dir)# 初始化dlib中基于HOG的面部检测器,及形状预测器detector = dlib.get_frontal_face_detector()predictor = dlib.shape_predictor(args["shape_predictor"])# 加载待检测的图片,resize,并且装换为灰度图image = cv2.imread(args["image"])image = imutils.resize(image, width=500)gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 在灰度图中检测面部rects = detector(gray, 1)# 循环检测到的面部num = 0for (i, rect) in enumerate(rects):# 确定面部区域进行面部标志检测,并将其检测到的68个点转换为方便python处理的Numpy arrayshape = predictor(gray, rect)shape = face_utils.shape_to_np(shape)# 循环遍历面部标志独立的每一部分for (name, (i, j)) in face_utils.FACIAL_LANDMARKS_IDXS.items():# 复制一张原始图的拷贝,以便于绘制面部区域,及其名称clone = image.copy()cv2.putText(clone, name, (10, 30), cv2.FONT_HERSHEY_SIMPLEX,0.7, (0, 0, 255), 2)# 遍历独立的面部标志的每一部分包含的点,并画在图中for (x, y) in shape[i:j]:cv2.circle(clone, (x, y), 1, (0, 0, 255), -1)# 要实际提取每个面部区域，我们只需要计算与特定区域关联的（x，y）坐标的边界框，并使用NumPy数组切片来提取它：(x, y, w, h) = cv2.boundingRect(np.array([shape[i:j]]))roi = image[y:y + h, x:x + w]# resize ROI区域为宽度250,以便于更好的可视化roi = imutils.resize(roi, width=250, inter=cv2.INTER_CUBIC)# 展示独立的面部标志cv2.imshow("ROI", roi)cv2.imshow("Image", clone)cv2.waitKey(0)num = num + 1p = os.path.sep.join([temp_dir, "{}.jpg".format(str(num).zfill(8))])print('p: ', p)cv2.imwrite(p, output)# 应用visualize_facial_landmarks 功能为每个面部部位创建透明的覆盖层。(transparent overlay)output = face_utils.visualize_facial_landmarks(image, shape)cv2.imshow("Image", output)cv2.waitKey(0)

参考 https://www.pyimagesearch.com/2017/04/10/detect-eyes-nose-lips-jaw-dlib-opencv-python/
到此这篇关于超详细注释之OpenCV dlib实现人脸采集的文章就介绍到这了,更多相关OpenCV 人脸采集内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！