Summary：利用OpenCV中的LBF算法进行人脸关键点检测（Facial Landmark Detection）
Author： Amusi
Date： 2018-03-20
Note： OpenCV3.4以及上支持Facemark
原文：OpenCV实战：人脸关键点检测（FaceMark）
PS：点击“阅读原文”，可以下载所有源码和模型，记得给star哦！
教程目录
-
测试环境
-
引言
-
Facemark API
-
Facemark训练好的模型
-
利用OpenCV代码进行实时人脸关键点检测
-
步骤
-
代码
-
实验结果
-
Reference
测试环境
-
Windows10
-
Visual Studio 2013
-
OpenCV3.4.1
引言
人脸一般是有68个关键点，常用的人脸开源库有Dlib，还有很多深度学习的方法。
本教程仅利用OpenCV，不依赖任何其它第三方库来实现人脸关键点检测，这一特性是之前没有的。因为OpenCV自带的samples中只有常见的人脸检测、眼睛检测和眼镜检测等（方法是harr+cascade或lbp+cascade）。
本教程主要参考Facemark : Facial Landmark Detection using OpenCV[1]
截止到2018-03-20，OpenCV3.4可支持三种人脸关键点检测，但目前只能找到一种已训练好的模型，所以本教程只介绍一种实现人脸关键点检测的算法。而且此类算法还没有Python接口，所以这里只介绍C++的代码实现。
Facemark API
OpenCV官方的人脸关键点检测API称为Facemark。Facemark目前分别基于下述三篇论文，实现了三种人脸关键点检测的方法。
-
FacemarkKazemi[2]: This implementation is based on a paper titled “One Millisecond Face Alignment with an Ensemble of Regression Trees” by V.Kazemi and J. Sullivan published in CVPR 2014[3]. An alternative implementation of this algorithm can be found in DLIB
-
FacemarkAAM[4]: This implementation uses an Active Appearance Model (AAM) and is based on an the paper titled “Optimization problems for fast AAM fitting in-the-wild” by G. Tzimiropoulos and M. Pantic, published in ICCV 2013[5].
-
FacemarkLBF[6]: This implementation is based a paper titled “Face alignment at 3000 fps via regressing local binary features” by S. Ren published in CVPR 2014[7].
在写这篇文章的时候，FacemarkKazemi类似乎不是从Facemark类派生的，而其他两个类都是。
Facemark训练好的模型
尽管Facemark API包含三种不同的实现，但只有FacemarkLBF（local binary features，LBF）才提供经过训练的模型。 （之后在我们根据公共数据集训练我们自己的模型后，这篇文章将在未来更新）
你可以从中下载已训练好的模型：
-
lbfmodel.yaml[8]
利用OpenCV代码进行实时人脸关键点检测
步骤
1. 加载人脸检测器（face detector）
所有的人脸关键点检测算法的输入都是一个截切的人脸图像。因为，我们的第一步就是在图像中检测所有的人脸，并将所有的人脸矩形框输入到人脸关键点检测器中。这里，我们可以使用OpenCV的Haar人脸检测器或者lbp人脸检测器来检测人脸。
2. 创建Facemark对象
创建Facemark类的对象。在OpenCV中，Facemark是使用智能指针（smart pointer，PTR），所以我们不需要考虑内存泄漏问题。
3. 加载landmark检测器
加载关键点检测器（lbfmodel.yaml）。此人脸检测器是在几千幅带有关键点标签的人脸图像上训练得到的。
带有注释/标签关键点的人脸图像公共数据集可以访问这个链接下载：https://ibug.doc.ic.ac.uk/resources/facial-point-annotations/
4.从网络摄像头中捕获帧
捕获视频帧并处理。我们既可以打开一个本地视频(.mp4)，也可以打开网络摄像机（如果电脑有的话）来进行人脸关键点检测。
5. 检测人脸
我们对视频的每一帧运行人脸检测器。人脸检测器的输出是一个包含一个或多个矩形（rectangles）的容器（vector），即视频帧中可能有一张或者多张人脸。
6. 运行人脸关键点检测器
我们根据人脸矩形框截取原图中的人脸ROI，再利用人脸关键点检测器（facial landmark detector）对人脸ROI进行检测。
对于每张脸我们获得，我们可以获得68个关键点，并将其存储在点的容器中。因为视频帧中可能有多张脸，所以我们应采用点的容器的容器。
7. 绘制人脸关键点
根据获得关键点，我们可以在视频帧上绘制出来并显示。
代码
本教程的代码一共有两个程序，分别为faceLandmarkDetection.cpp和drawLandmarks.hpp。
-
faceLandmarkDetection.cpp实现视频帧捕获、人脸检测、人脸关键点检测；
-
drawLandmarks.hpp实现人脸关键点绘制和多边形线绘制。
faceLandmarkDetection.cpp
1// Summary: 利用OpenCV的LBF算法进行人脸关键点检测
2// Author: Amusi
3// Date: 2018-03-20
4// Reference:
5// [1]Tutorial: https://www.learnopencv.com/facemark-facial-landmark-detection-using-opencv/
6// [2]Code: https://github.com/spmallick/learnopencv/tree/master/FacialLandmarkDetection
7
8// Note: OpenCV3.4以及上支持Facemark
9
10#include
11#include
12#include "drawLandmarks.hpp"
13
14
15using namespace std;
16using namespace cv;
17using namespace cv::face;
18
19
20int main(int argc,char** argv)
21{
22 // 加载人脸检测器（Face Detector）
23 // [1]Haar Face Detector
24 //CascadeClassifier faceDetector("haarcascade_frontalface_alt2.xml");
25 // [2]LBP Face Detector
26 CascadeClassifier faceDetector("lbpcascade_frontalface.xml");
27
28 // 创建Facemark类的对象
29 Ptr facemark = FacemarkLBF::create();
30
31 // 加载人脸检测器模型
32 facemark->loadModel("lbfmodel.yaml");
33
34 // 设置网络摄像头用来捕获视频
35 VideoCapture cam(0);
36
37 // 存储视频帧和灰度图的变量
38 Mat frame, gray;
39
40 // 读取帧
41 while(cam.read(frame))
42 {
43
44 // 存储人脸矩形框的容器
45 vector faces;
46 // 将视频帧转换至灰度图, 因为Face Detector的输入是灰度图
47 cvtColor(frame, gray, COLOR_BGR2GRAY);
48
49 // 人脸检测
50 faceDetector.detectMultiScale(gray, faces);
51
52 // 人脸关键点的容器
53 vector< vector > landmarks;
54
55 // 运行人脸关键点检测器（landmark detector）
56 bool success = facemark->fit(frame,faces,landmarks);
57
58 if(success)
59 {
60 // 如果成功, 在视频帧上绘制关键点
61 for(int i = 0; i < landmarks.size(); i++)
62 {
63 // 自定义绘制人脸特征点函数, 可绘制人脸特征点形状/轮廓
64 drawLandmarks(frame, landmarks[i]);
65 // OpenCV自带绘制人脸关键点函数: drawFacemarks
66 drawFacemarks(frame, landmarks[i], Scalar(0, 0, 255));
67 }
68
69 }
70
71 // 显示结果
72 imshow("Facial Landmark Detection", frame);
73
74 // 如果按下ESC键, 则退出程序
75 if (waitKey(1) == 27) break;
76
77 }
78 return 0;
79}
drawLandmarks.hpp
1// Summary: 绘制人脸关键点和多边形线
2// Author: Amusi
3// Date: 2018-03-20
4
5#ifndef _renderFace_H_
6#define _renderFace_H_
7
8#include
9#include
10
11using namespace cv;
12using namespace std;
13
14#define COLOR Scalar(255, 200,0)
15
16// drawPolyline通过连接开始和结束索引之间的连续点来绘制多边形线。
17void drawPolyline
18(
19 Mat &im,
20 const vector &landmarks,
21 const int start,
22 const int end,
23 bool isClosed = false
24)
25{
26 // 收集开始和结束索引之间的所有点
27 vector points;
28 for (int i = start; i <= end; i++)
29 {
30 points.push_back(cv::Point(landmarks[i].x, landmarks[i].y));
31 }
32
33 // 绘制多边形曲线
34 polylines(im, points, isClosed, COLOR, 2, 16);
35
36}
37
38// 绘制人脸关键点
39void drawLandmarks(Mat &im, vector &landmarks)
40{
41 // 在脸上绘制68点及轮廓（点的顺序是特定的，有属性的）
42 if (landmarks.size() == 68)
43 {
44 drawPolyline(im, landmarks, 0, 16); // Jaw line
45 drawPolyline(im, landmarks, 17, 21); // Left eyebrow
46 drawPolyline(im, landmarks, 22, 26); // Right eyebrow
47 drawPolyline(im, landmarks, 27, 30); // Nose bridge
48 drawPolyline(im, landmarks, 30, 35, true); // Lower nose
49 drawPolyline(im, landmarks, 36, 41, true); // Left eye
50 drawPolyline(im, landmarks, 42, 47, true); // Right Eye
51 drawPolyline(im, landmarks, 48, 59, true); // Outer lip
52 drawPolyline(im, landmarks, 60, 67, true); // Inner lip
53 }
54 else
55 {
56 // 如果人脸关键点数不是68，则我们不知道哪些点对应于哪些面部特征。所以，我们为每个landamrk画一个圆圈。
57 for(int i = 0; i < landmarks.size(); i++)
58 {
59 circle(im,landmarks[i],3, COLOR, FILLED);
60 }
61 }
62
63}
64
65#endif // _renderFace_H_
实验结果
Reference
[1]Tutorial：https://www.learnopencv.com/facemark-facial-landmark-detection-using-opencv/
[2]FacemarkKazemi：https://docs.opencv.org/trunk/dc/de0/classcv_1_1face_1_1FacemarkKazemi.html
[3]One Millisecond Face Alignment with an Ensemble of Regression Trees：http://www.csc.kth.se/~vahidk/face_ert.html
[4]FacemarkAAM：
https://docs.opencv.org/trunk/d5/d7b/classcv_1_1face_1_1FacemarkAAM.html
[5]Optimization problems for fast AAM fitting in-the-wild：
https://ibug.doc.ic.ac.uk/media/uploads/documents/tzimiro_pantic_iccv2013.pdf
[6]FacemarkLBF：https://docs.opencv.org/trunk/dc/d63/classcv_1_1face_1_1FacemarkLBF.html
[7]Face alignment at 3000 fps via regressing local binary features：http://www.jiansun.org/papers/CVPR14_FaceAlignment.pdf
[8]lbfmodel.yaml：https://github.com/kurnianggoro/GSOC2017/blob/master/data/lbfmodel.yaml