实现人脸识别、人脸68个特征点提取，或许这个 Python 库能帮到你！

之前写过一篇关于实现人脸识别的文，里面用到的技术是通过调用百度 API 实现的，本次将借助于 dlib 程序包实现人脸区域检测、特征点提取等功能，

dlib 封装了许多优秀的机器学习算法， 可实现人脸识别、检测、识别，视频目标追逐等功能，是由由 C++开发的一个开源程序库，目前也提供了 Python 接口，可供我们直接调用。

1，dilb 安装

dlib 程序包的安装方式也是用 pip 来进行安装的，但不同于其它程序包的是，在输入

pip install dlib

之前，需要安装 Cmake 程序包，该工具主要是对 dlib 进行编译，安装命令与其他包类似

pip install Cmake

2，实现人脸识别

利用 dlib 实现人脸识别功能时，先定义一个检测器和一个 图片预览窗口：

detector = dlib.get_frontal_face_detector()
win = win = dlib.image_window()

之后利用 load_rgb_image() 函数读取图像：

img = dlib.load_rgb_image(f)

接下来进行核心功能人脸检测的实现，这里需要借助于上面定义得到的检测器

dets,score,idx = detector.run(img,1，-1)

img 就是我们读取后的图像，第二个参数 1 代表的是图片上采样倍数，值越大，最终识别得到的结果越好，-1 代表的是调整分割阈值，负值表示将返回更多检测结果

返回的 dets 返回的是一个人脸区域矩形，分别表示左，上、右、下边界，是 tuple 形式，如果检测出一个人脸，则为一个 tuple, 如果是多个人脸，将会把多个 tuple 放置在一个列表中；有个这个矩形坐标就可以做以下事情：

• 人脸区域裁剪，进行区域提取；
• 人脸区域线条标记

score 表示的是人脸识结果检测概率，越大代表识别出来的结果越好；如果一幅图有多个人脸，则返回多个检测概率以列表形式储存；idx 是用于在一副图检测出多个人脸是用的索引，可以对其进行索引

win.clear_overlay()
win.set_image(img)
win.add_overlay(dets)
dlib.hit_enter_to_continue

最后我们利用 前面定义的 win 窗口，进行图像预览，结果如下，

当然也可以用 OpenCV 进行轮廓勾勒，OpenCV 勾勒结果如下( 有色差的原因是OpenCV 读取的是 BGR 通道顺序 )；

3，dlib 提取人脸68个特征点

OpenCV 也可以用于人脸识别，但效果不如 dlib ，除了上面提到的线框检测之外，dlib 还可以直接提取人脸上的 68 个特征点，作为坐标形式来返回；

有了这 68 个特征点的坐标，可以很方便地帮助我们实现人脸对齐、融合等应用，先看一下用 dlib 勾勒出来的效果

与人脸识别不一样的是，这里需要加上一个形状检测器，形状检测器这里需要官网提供的文件、里面放置已经训练好的权重信息，可以直接使用，上面功能实现代码如下：

import dlib
import os
import cv2

predictor_path  = "E:/shape_predictor_68_face_landmarks.dat"#权重文件路径
png_path = "E:/ceshi.png"

detector = dlib.get_frontal_face_detector()
#相撞
predicator = dlib.shape_predictor(predictor_path)
win = dlib.image_window()
img =  dlib.load_rgb_image(png_path)
win.clear_overlay()
win.set_image(img1)

for k,d in enumerate(dets):
    print("Detection {}  left:{}  Top: {} Right {}  Bottom {}".format(
        k,d.left(),d.top(),d.right(),d.bottom()
    shape = predicator(img,d)
    #Get the landmarks/parts for face in box d
    print("Part 0：{}，Part 1 :{}".format(shape.part(0),shape.part(1)))
    win.add_overlay(shape)

win.add_overlay(dets)
dlib.hit_enter_to_continue()

坐标点的获取可以通过 part(index) 函数获取

上面的坐标点，也可以通过 OpenCV 在原图上勾勒出来，并注释上文字，效果如下：

附上完整代码：

import dlib
import os
import cv2


predictor_path  = "E:/shape_predictor_68_face_landmarks.dat"
png_path = "E:/ceshi.png"


detector = dlib.get_frontal_face_detector()
#相撞
predicator = dlib.shape_predictor(predictor_path)
win = dlib.image_window()
img1 = cv2.imread(png_path)

dets = detector(img1,1)
print("Number of faces detected : {}".format(len(dets)))
for k,d in enumerate(dets):
    print("Detection {}  left:{}  Top: {} Right {}  Bottom {}".format(
        k,d.left(),d.top(),d.right(),d.bottom()
    ))
    lanmarks = [[p.x,p.y] for p in predicator(img1,d).parts()]
    for idx,point in enumerate(lanmarks):
        point = (point[0],point[1])
        cv2.circle(img1,point,5,color=(0,0,255))
        font = cv2.FONT_HERSHEY_COMPLEX_SMALL
        cv2.putText(img1,str(idx),point,font,0.5,(0,255,0),1,cv2.LINE_AA)
        #对标记点进行递归；

cv2.namedWindow("img",cv2.WINDOW_NORMAL)
cv2.imshow("img",img1)
cv2.waitKey(0)

4，小总结

以上就是对 dlib 程序包的简单介绍，在人脸识别应用方面上 dlib 的表现相当不错的，有兴趣的同学可以去官网看关于 dlib 的详细介绍，自己闲余时间动手跟着敲一下。

下篇文章将介绍利用 OpenCV 实现人脸融合技术，里面会用到本篇提到的人脸 68 个特征点坐标，算是本篇文章的延申，感兴趣的小伙伴可以提前关注一波。

文中提到的权重文件获取方式，在公众号:Z先生点记后台回复关键字：dlib 即可获取

参考链接:

1，http://dlib.net/face_landmark_detection.py.html

2，https://blog.csdn.net/qq_39438636/article/details/79304130

3，http://dlib.net/