文章目录
- 人脸关键点定位
- 一、作用
- 二、原理
- 三、代码实现
- 1. 构造人脸检测器
- 2. 载入模型（加载预测器）
- 3. 获取关键点
- 4. 显示图像
- 5. 完整代码
- 总结
人脸关键点定位
在dlib库中，有shape_predictor_68_face_landmarks.dat预测器，这是一个用于人脸关键点检测的预训练模型，它能够在人脸图像中定位和识别68个关键点。
一、作用
- 人脸关键点定位：shape_predictor_68_face_landmarks.dat预测器能够准确地定位人脸的68个关键点，这些关键点涵盖了眼睛、眉毛、鼻子、嘴巴等面部特征。
- 辅助其他应用：通过定位这些关键点，该预测器可以为后续的人脸识别、人脸对齐、表情识别、面部动作捕捉等应用提供基础数据支持。
二、原理
- 基于机器学习：shape_predictor_68_face_landmarks.dat预测器是基于机器学习算法构建的，它通过对大量标注了人脸关键点的图像进行训练，学习人脸关键点的特征。
- 模型内部结构：
- 层次化的神经网络：预测器内部包含了多个层次的神经网络，这些网络用于逐步细化面部特征的定位。
- 卷积神经网络（CNN）层：这些层包括卷积层、池化层、全连接层等，它们共同作用于输入图像，提取特征并预测关键点坐标。
- 工作流程：
- 加载模型：使用dlib库提供的函数加载shape_predictor_68_face_landmarks.dat预测器模型。
- 人脸检测：首先使用dlib库的人脸检测器检测图像中的人脸区域。
- 关键点预测：将检测到的人脸区域作为输入，调用预测器的predict函数，得到68个面部关键点的坐标。
- 结果可视化：可以将这些关键点在原始图像上标出来，以直观展示面部特征的定位结果。
- 训练过程：
- shape_predictor_68_face_landmarks.dat预测器是在大量标注了人脸关键点的图像数据集上训练得到的。
- 训练过程中，模型会不断调整其参数，以最小化预测关键点位置与实际标注位置之间的误差。
三、代码实现
- 人脸图像：
1. 构造人脸检测器
import numpy as np
import cv2
import dlibimg = cv2.imread('renlian.jpg')
detector = dlib.get_frontal_face_detector()# 构造人脸检测器
faces = detector(img,0)# 检测人脸
2. 载入模型（加载预测器）
- 函数方法：
dlib.shape_predictor()载入模型
- 代码：
predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")
3. 获取关键点
- 遍历每张脸的关键点，获取关键点
- 将关键点转化为坐标形式
- 将关键点通过enumerate()函数方法同时获得每个点对应的索引，用于编号
for face in faces: # 获取每一张脸的关键点shape = predictor(img,face) # 获取关键点# 将关键点转换为坐标(x,y)的形式landmarks = np.array([[p.x,p.y] for p in shape.parts()])# 绘制每一张脸的关键点for idx,point in enumerate(landmarks):pos = (point[0],point[1])# 当前关键点坐标# 针对当前关键点，绘制一个实心圆cv2.circle(img,pos,2,(0,255,0),thickness=-1)cv2.putText(img,str(idx),pos,cv2.FONT_HERSHEY_SIMPLEX,0.4,(255,255,255),1,cv2.LINE_AA)
4. 显示图像
cv2.imshow("img",img)
cv2.waitKey()
cv2.destroyAllWindows()
5. 完整代码
"""-----关键点定位：定位到人脸的眼睛、鼻子、眉毛、轮廓等-----"""
import numpy as np
import cv2
import dlibimg = cv2.imread('renlian.jpg')
detector = dlib.get_frontal_face_detector()# 构造人脸检测器
faces = detector(img,0)# 检测人脸# dlib.shape_predictor载入模型（加载预测器）
predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")
for face in faces: # 获取每一张脸的关键点shape = predictor(img,face) # 获取关键点# 将关键点转换为坐标(x,y)的形式landmarks = np.array([[p.x,p.y] for p in shape.parts()])# 绘制每一张脸的关键点for idx,point in enumerate(landmarks):pos = (point[0],point[1])# 当前关键点坐标# 针对当前关键点，绘制一个实心圆cv2.circle(img,pos,2,(0,255,0),thickness=-1)cv2.putText(img,str(idx),pos,cv2.FONT_HERSHEY_SIMPLEX,0.4,(255,255,255),1,cv2.LINE_AA)
cv2.imshow("img",img)
cv2.waitKey()
cv2.destroyAllWindows()
总结
本篇介绍了如何通过Dlib库自带的预测器，来进行人脸的关键点定位，并将它显示出来。得到关键点定位后，我们就可以通过点位的距离变换，简单的判断人脸表情变换情况。
