人脸关键点数据集 300W 数据整理

人脸关键点数据集 300W 数据整理

• 由于300W 数据集里面的图片尺寸大小不一，而且关键点数据为 .pts 文件，这些使得进行神经网络学习的时候，数据集必须经过一定的处理，才能使用。
• 现在，我将使用 python 程序，将里面的图片尺寸全都转化为 500 * 500，同时读取并修改 .pts 文件的人脸关键点数据，最后将图片数据和人脸关键点数据保存为 numpy.ndarray 类型。

一. 导入模块

• 本次程序所使用的模块有：re, os, numpy, cv2, matplotlib

  import re
  import os
  import numpy as np
  import cv2 as cv
  from matplotlib import pyplot as plt
  

二. 获得 300W 目录下所有的文件

• 获得 300W 目录下所有的文件

  # 注意文件目录
  file_path_indoor = "E:/300W/300W/01_Indoor/"
  file_path_outdoor = "E:/300W/300W/02_Outdoor/"
  # os.listdir() 可以获得指定的文件夹包含的文件或文件夹的名字的列表
  indoor_file = os.listdir(file_path_indoor)
  outdoor_file = os.listdir(file_path_outdoor)
  print(indoor_file[0:10], "\n", outdoor_file[0:10])   # 打印 "G:/300W/01_Indoor/" 以及 "G:/300W/02_Outdoor/" 各 10 个文件
  

• 运行结果：

  ['indoor_001.png', 'indoor_001.pts', 'indoor_002.png', 'indoor_002.pts', 'indoor_003.png', 'indoor_003.pts', 'indoor_004.png', 'indoor_004.pts', 'indoor_005.png', 'indoor_005.pts'] 
  ['outdoor_001.png', 'outdoor_001.pts', 'outdoor_002.png', 'outdoor_002.pts', 'outdoor_003.png', 'outdoor_003.pts', 'outdoor_004.png', 'outdoor_004.pts', 'outdoor_005.png', 'outdoor_005.pts']
  

三. 建立相应 ndarray 数组来保存数据

• 要保存的数据有，人脸图片数据，人脸关键关数据，图片的缩放比例等。

  image_size_h, image_size_w = 500, 500                                      # 用来保存图片的尺寸
  files_num = int(len(indoor_file)/2) + int(len(outdoor_file)/2)            # 用来保存所有的图片数量
  facial_keypoints = np.zeros([files_num, 68*2], dtype=np.float64)          # 用来保存人脸关键点数据
  facial_image = np.zeros([files_num, image_size_h, image_size_w, 3], dtype=np.uint8)            # 用来保存人脸图片数据          
  image_scale = np.zeros([files_num, 2], dtype=np.float64)                  # 用来保存图片的缩放比
  

四. 读取图片数据以及人脸关键点数据

• 主要通过 正则表达式 来获得 .pts 文件名，然后进行数据获取

  count = 0   # 用来计数
  
  # 读取 "G:/300W/01_Indoor/" 里面的图片和人脸关键点数据
  for i in indoor_file:
      ret = re.match(r"(.\w+)\.pts", i)    # 使用正则表达式读取 .pts 文件
      if ret:
          # 读取 pts 点
          pts_file = file_path_indoor  + i
          with open(pts_file, "r") as f:
              pts_str = f.read()
          # 读取当中的关键点数据
          key_point = re.findall(r"\d+\.\d+", pts_str)
          # 将列表中的字符串转化为数字
          key_point = [float(x) for x in key_point]
          # 添加到 facial_keypoints
          facial_keypoints[count] = key_point
          
          # 读取图片文件
          image_file = file_path_indoor + ret.group(1) + ".png"
          # 打开图片
          image = cv.imread(image_file, cv.IMREAD_COLOR)
          # 获取图片长和宽
          image_h, image_w = image.shape[:2]
          # 改变图片尺寸
          image = cv.resize(image, (image_size_h, image_size_w))
          # 得到缩放比
          image_scale[count] = [image_h/image_size_h, image_w/image_size_w]
          # 添加到 facial_image
          facial_image[count] = image
          
          count += 1
  
  # 读取 "G:/300W/01_Outdoor/" 里面的图片和人脸关键点数据
  for i in outdoor_file:
      ret = re.match(r"(.\w+)\.pts", i)
      if ret:
          # 读取 pts 点
          pts_file = file_path_outdoor  + i
          with open(pts_file, "r") as f:
              pts_str = f.read()
          # 读取当中的关键点数据
          key_point = re.findall(r"\d+\.\d+", pts_str)
          # 将列表中的字符串转化为数字
          key_point = [float(x) for x in key_point]
          # 添加到 facial_keypoints
          facial_keypoints[count] = key_point
          
          # 读取图片文件
          image_file = file_path_outdoor + ret.group(1) + ".png"
          # 打开图片
          image = cv.imread(image_file, cv.IMREAD_COLOR)
          # 获取图片长和宽
          image_h, image_w = image.shape[:2]
          # 改变图片尺寸
          image = cv.resize(image, (image_size_h, image_size_w))
          # 得到缩放比
          image_scale[count] = [image_h/image_size_h, image_w/image_size_w]
          # 添加到 facial_image
          facial_image[count] = image
          
          count += 1
  

五. 对人脸关键点数据进行缩放

• 由于我们改变了图片的尺寸那么，我们也要对人脸关键点数据进行缩放

  count = 0  # 用来计数
  
  for i in image_scale:
      facial_keypoint = facial_keypoints[count]        # 获取单个人脸关键点数据
      facial_keypoint[::2] = facial_keypoint[::2] / i[1] # 对人脸关键点数据的宽进行缩放
      facial_keypoint[1::2] = facial_keypoint[1::2] / i[0] # 对人脸关键点数据的长进行缩放
      count += 1
  

六. 效果查看

• 目前，我们的数据处理已经全部完成了，接下来，使用 matplotlib 来看一下效果

  for j in range(10):    # 总共展示十张图片
      image = facial_image[j]    # 获取图片数据
      image = cv.cvtColor(image, cv.COLOR_BGR2RGB)   # 由于 matplotlib 支持的是 rgb 色彩空间，所以我们需要将 bgr 转化为 rgb
      for i in range(0, 68):
          cv.circle(image, (int(facial_keypoints[j, 2*i]), int(facial_keypoints[j, 2*i+1])), 5, (255, 0, 0), -1)   # 进行打点
      plt.subplot(2, 5, j+1)
      plt.imshow(image)
  plt.show()
  

• 运行结果：
  

六. 保存数据与载入

• 获取数据之后，我们就可以对这些 ndarray 数组进行保存了。

  np.save("./facial_image.npy", facial_image)
  np.save("./facial_keypoints.npy", facial_keypoints)
  

• 使用 np.save() 保存的数据，我们可以通过 np.load() 来载入。

  facial_image = np.load(r"./facial_image.npy")
  facial_keypoints = np.load(r"./facial_keypoints.npy")
  

七. 结语

• 如果文中有写的不对的地方，请大家指正。联系方式：[email protected]
• 本文到这就结束了，最后感谢大家的观看。