如何利用OpenCV dlib实现人脸采集

本篇内容主要讲解"如何利用OpenCV dlib实现人脸采集"，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习"如何利用OpenCV dlib实现人脸采集"吧!

1. 效果图

先上一张检测完的图：

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；

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 array    shape = 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 + 1        p = 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)

到此，相信大家对"如何利用OpenCV dlib实现人脸采集"有了更深的了解，不妨来实际操作一番吧！这里是网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！