基于Python怎么实现人脸识别和焦点人物检测功能
这篇文章主要讲解了"基于Python怎么实现人脸识别和焦点人物检测功能"，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习"基于Python怎么实现人脸识别和焦点人物检测功能"吧！
写在前面的话
基于dlib库的模型，实现人脸识别和焦点人物的检测。最后呈现的效果为焦点人物的识别框颜色与其他人物框不一样。
准备工作
需要安装好python环境，安装好dlib、opencv-python库等，具体可以看报错信息（可以使用PyCharm来运行和编辑py文件），然后把需要的库补全，文章最后会有完整代码，但是需要与shape_predictor_68_face_landmarks.dat模型文件同处一个路径下，然后启用。(百度可以下载到)
设计过程
因为是在自己电脑完成的必做题设计，所以前期还经历了相应的Python安装与环境配置，相应的资源库安装，例如dlib、opencv-python等等。
然后运行综合了（68个人脸特征点检测模型完成静止图像的人脸检测与标注）和（完成实时摄制视频的人脸检测与定位）的参考文件opencv_webcam_face_detection.py，发现可以实现实时视频的人脸检测。
对参考文件的代码进行分析，理解每一句代码的意思。对比查找设计需要的功能模块，实现1280x720视频输出，实现类win10相机的焦点人物识别。
上网查找并学习相应资料，参考win10相机的算法，创建自己的基于距离与面积的焦点人物算法，根据自己的需要对源代码进行添加及修改。
最后对代码进行测试，且不断修改成最适合的版本。
焦点人物算法
内在逻辑：模仿win10相机，当有多于1个人时，优先选择最居中的为焦点人物，但若在其他地方的人脸面积大于4倍中心的人脸面积，则选择其他地方的作为焦点人物。
实际代码
import dlibimport cv2import math# 摄像头参数设置cam = cv2.VideoCapture(0) # 参数0，调用计算机的摄像头cam.set(3, 1280) # 参数3，设定宽度分辨为1280cam.set(4, 720) # 参数4，设定高度分辨为720# 设定人脸框的边框颜色及宽度，便于分辨焦点人物color_focus = (255, 0, 255) # 设定焦点人脸框的颜色，紫红色color_other = (255, 255, 255) # 设定其余人脸框的颜色，白色lineWidth_focus = 2 # 设定焦点人脸框的宽度lineWidth_other = 1 # 设定其他人脸框的宽度# 设定计算的一些参数w = cam.get(3) / 2 # 设定屏幕中心的横坐标Xh = cam.get(4) / 2 # 设定屏幕中心的纵坐标Yd_center = 10000 # 预设人脸框到屏幕中心的距离index_center = 0 # 预设距离优先时的人脸框序号index_area = 0 # 预设面积优先时的人脸框序号area_center = -1 # 预设距离中心最近人脸框的面积area = -1 # # 预设人脸框面积最大时的面积detector = dlib.get_frontal_face_detector() # 加载这个库自带的人脸检测器predictor_path = "shape_predictor_68_face_landmarks.dat" # 设置人脸预测模型的路径位置predictor = dlib.shape_predictor(predictor_path) # 人脸预测实例化while True: # 当获取到视频输入时 ret_val, img = cam.read() # 读取视频每一帧，颜色格式为BGR格式， rgb_image = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 颜色BGR格式转为RGB格式 faces = detector(rgb_image) # 返回RGB格式人脸捕捉框 # 逻辑算法：当有多于1个人时，优先选择最居中的为焦点人物，但若其他地方的人脸面积大于4倍中心的人脸面积，则选择该为焦点人物。 # 这个for循环先求出距离屏幕中心最近时的人脸框的序号和距离优先面积 for i, det in enumerate(faces): # 遍历所有人脸框，i是人脸框序号，det是每个人脸框 d = math.sqrt((w-(det.left()+(det.right()-det.left())/2))**2+(h-(det.top()+(det.bottom()-det.top())/2))**2) # 计算该人脸框到屏幕中心的距离 if d < d_center: # 对比刚计算出的距离与设定的最近距离，达成选择更小 index_center = i # 更新距离最近时的人脸框序号 d_center = d # 更新最近距离 area_center = abs((det.right() - det.left()) * (det.bottom() - det.top())) # 算出该人脸框的面积（距离更近优先） # 这个for循环求出面积最大的人脸框的序号和面积优先面积 for i, det in enumerate(faces): # 遍历所有人脸框，i是人脸框序号，det是每个人脸框 if abs((det.right() - det.left()) * (det.bottom() - det.top())) > area: # 对比该人脸面积与设定的最大面积，实现选择更大 index_area = i # 更新面积更大时的人脸框序号 area = abs((det.right() - det.left()) * (det.bottom() - det.top())) # 算出该人脸框的面积（面积更大优先） if area > 5*area_center: # 判断依据，若面积优先面积大于距离优先面积的5倍，就实现面积优先选择焦点人物，否则就距离优先。 index_center = index_area # 面积优先时，使用面积最大的人脸框序号 for i, det in enumerate(faces): # 遍历所有人脸框 if i == index_center: # 确定焦点人脸框的序号 print(d_center, i) # 输出焦点人物的距离中心位置，方便调试 cv2.rectangle(img, (det.left(), det.top()), (det.right(), det.bottom()), color_focus, lineWidth_focus) # 绘出焦点人脸框 shape = predictor(img, det) # 从预测模型处，得到68个人物特征点 for p in shape.parts(): # 遍历68个人物特征点 cv2.circle(img, (p.x, p.y), 2, (124, 252, 0), -1) # 设定焦点人物的68个点的形状颜色，茶绿色、实心 else: cv2.rectangle(img, (det.left(), det.top()), (det.right(), det.bottom()), color_other, lineWidth_other) # 绘出其他人脸框 shape = predictor(img, det) # 从预测模型处，得到68个人物特征点 for p in shape.parts(): # 遍历68个人物特征点 cv2.circle(img, (p.x, p.y), 2, (255, 255, 255), -1) # 设定其他人物的68个点的形状颜色，白色、实心 cv2.imshow('my webcam', img) # 输出绘好框后的帧动画 if cv2.waitKey(1) == 27: # 设置一个滞留时间，等待用户触发事件，若用户按下 ESC(ASCII码为27)，则执行 if 体 break # （if主体）退出cv2.destroyAllWindows() # 销毁所有输出图像窗运行情况
为了容易分辨焦点人物与其他人物，首先将焦点人物框的宽度设为2，颜色设为紫红色，68个识别点设为茶绿色；其他人物框的宽度设为1，颜色设为白色，68个识别点设为白色。
然后进行多次测试，通过整理测试结果，发现算法没有错误，焦点人物按照距离和面积两个因素来决定。成功运行图如下：
不展示图了，但是主人物为紫红框，其他人物为白色圈。与预期一致。
感谢各位的阅读，以上就是"基于Python怎么实现人脸识别和焦点人物检测功能"的内容了，经过本文的学习后，相信大家对基于Python怎么实现人脸识别和焦点人物检测功能这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是，小编将为大家推送更多相关知识点的文章，欢迎关注！
