利用百度进行人脸特征检测

 

感谢优秀的你打开了小白的文章

“希望在看文章的你今天又进步了一点点，离美好生活更近一步！”

目录

前言

 部分函数解释

人脸检测返回数据参数详情

 获取结果 

前言

在进行人脸识别之前，要对人脸的特征进行检测，获取关键部位信息。百度的api提供这一接口。对一张照片的人脸进行关键特征部位的检测，本文提供以下代码供参考。

五官位置会标记具体坐标；72个关键点坐标也包含具体坐标，但不包含对应位置的详细位置描述。 

# -*- coding: utf-8 -*-
# 
from aip import AipFace
import cv2
import base64
import math
import matplotlib.pyplot as plt
from graphics import*
#import tkinter as tk
from tkinter import filedialog
from time import sleep

APP_ID = '16290061'
API_KEY = '4uKwGeC2Ci7aHbn6dHuYIrGc'
SECRET_KEY = 'KRdPZdtYwLsdEthIGu03jb7GEeRtTUMF'
aipFace = AipFace(APP_ID, API_KEY, SECRET_KEY)

filepath = "C:/Users/ZXY13/Desktop/train_face/1.jpg"
win = GraphWin('人脸关键点检测', 500, 90)
win.setBackground("yellow")
Text(Point(win.getWidth()/2, 40), "请在文件夹中选择一张人脸图片进行关键点检测").draw(win)
sleep(1)
filepath = filedialog.askopenfilename()

from PIL import Image
im = Image.open(filepath)

with open(filepath, "rb") as fp:
    base64_data = base64.b64encode(fp.read())
image = str(base64_data, 'utf-8')
imageType = "BASE64"

options = {}
options["face_field"] = "age,beauty,expression,faceshape,gender,glasses,landmark,race,quality,facetype"
options["max_face_num"] = 10
options["face_type"] = "LIVE"
 
result = aipFace.detect(image, imageType, options)
img = cv2.imread(filepath)
 
face_num = result['result']['face_num']
face_list = result['result']['face_list']

xvalue = []
yvalue = []
xvaluef = []
yvaluef = []

plt.figure(figsize=(9,6.5))
for num in range(0,int(face_num)):
       
    location = result['result']['face_list'][num-1]['location']
    landmark72 = result['result']['face_list'][num-1]['landmark72']

    xvaluef1 = []
    yvaluef1 = []
    xvaluef2 = []
    yvaluef2 = []
    xvaluef3 = []
    yvaluef3 = []
    xvaluef4 = []
    yvaluef4 = []
    xvaluef5 = []
    yvaluef5 = []
    xvaluef6 = []
    yvaluef6 = []
    xvaluef7 = []
    yvaluef7 = []
    xvaluef8 = []
    yvaluef8 = []

    for i in range(0,72):
        xvalue.append(landmark72[i]['x'])
        yvalue.append(landmark72[i]['y'])
        xvaluef.append(im.size[0]-landmark72[i]['x'])
        yvaluef.append(im.size[1]-landmark72[i]['y'])


    for i in range(0,13):
        xvaluef1.append(landmark72[i]['x'])
        yvaluef1.append(im.size[1]-landmark72[i]['y'])
 
    for i in range(13,21):
        xvaluef2.append(landmark72[i]['x'])
        yvaluef2.append(im.size[1]-landmark72[i]['y'])
    xvaluef2.append(landmark72[13]['x'])
    yvaluef2.append(im.size[1]-landmark72[13]['y'])

    for i in range(22,30):
        xvaluef3.append(landmark72[i]['x'])
        yvaluef3.append(im.size[1]-landmark72[i]['y'])
    xvaluef3.append(landmark72[22]['x'])
    yvaluef3.append(im.size[1]-landmark72[22]['y'])

    for i in range(30,38):
        xvaluef4.append(landmark72[i]['x'])
        yvaluef4.append(im.size[1]-landmark72[i]['y'])
    xvaluef4.append(landmark72[30]['x'])
    yvaluef4.append(im.size[1]-landmark72[30]['y'])

    for i in range(39,47):
        xvaluef5.append(landmark72[i]['x'])
        yvaluef5.append(im.size[1]-landmark72[i]['y'])
    xvaluef5.append(landmark72[39]['x'])
    yvaluef5.append(im.size[1]-landmark72[39]['y'])

    for i in range(47,57):
        xvaluef6.append(landmark72[i]['x'])
        yvaluef6.append(im.size[1]-landmark72[i]['y'])
    xvaluef6.append(landmark72[47]['x'])
    yvaluef6.append(im.size[1]-landmark72[47]['y'])

    for i in range(58,66):
        xvaluef7.append(landmark72[i]['x'])
        yvaluef7.append(im.size[1]-landmark72[i]['y'])
    xvaluef7.append(landmark72[58]['x'])
    yvaluef7.append(im.size[1]-landmark72[58]['y'])

    for i in range(66,71):
        xvaluef8.append(landmark72[i]['x'])
        yvaluef8.append(im.size[1]-landmark72[i]['y'])    
    xvaluef8.append(landmark72[66]['x'])
    yvaluef8.append(im.size[1]-landmark72[66]['y'])

    plt.subplot(2,2,num+2)
    plt.plot(xvaluef1,yvaluef1)#'ro',markersize=1
    plt.plot(xvaluef2,yvaluef2)
    plt.plot(xvaluef3,yvaluef3)
    plt.plot(xvaluef4,yvaluef4)
    plt.plot(xvaluef5,yvaluef5)
    plt.plot(xvaluef6,yvaluef6)
    plt.plot(xvaluef7,yvaluef7)
    plt.plot(xvaluef8,yvaluef8)
    plt.axis('off')

    Theta = location['rotation'] / 60 
    A = (int(location['left']),int(location['top']))
    B = (int(location['left'])+int(location['width']*math.cos(Theta)),int(location['top'])+int(location['width']*math.sin(Theta)))
    AC_Len = math.sqrt(location['width']**2 + location['height']**2)
    AC_Theta = math.atan(location['height']/location['width'])+location['rotation']/60 
    C = (int(location['left']) + int(AC_Len*math.cos(AC_Theta)), int(location['top'])+int(AC_Len*math.sin(AC_Theta)))
    D = (int(location['left'])-int(location['height']*math.sin(Theta)), int(location['top']) + int(location['height']*math.cos(Theta)))
    cv2.line(img, A, B, (0, 0, 255), 2)
    cv2.line(img, B, C, (0, 0, 255), 2)
    cv2.line(img, C, D, (0, 0, 255), 2)
    cv2.line(img, D, A, (0, 0, 255), 2)
 
plt.axis('off')
plt.subplot(2,2,1)
img = img[:,:,[2,1,0]]
plt.imshow(img,cmap='gray')
plt.plot(xvalue,yvalue,'bo',markersize=1)
plt.axis('off')
plt.show()

plt.figure(figsize=(9,6.5))
plt.imshow(img,'gray')
plt.plot(xvalue,yvalue,'bo',markersize=1)
plt.axis('off')
plt.show()

 部分函数解释

 BASE64:图片的base64值，base64编码后的图片数据，需urlencode，编码后的图片大小不超过2M；

options[“face_field”]：在”face_field”我们可以选择我们需要百度云服务器回传的信息，如年龄（age），美貌评分（beauty）,表情（expression），等等。若想选择这些参数，只需将其所表示的英文名称赋值于options[“face_field”]就可以了，比如我想检测出我上传的图片的人是啥人种，年龄大致多少，就可以这么写。

aipFace.detect(image, imageType, options)：即为面部检测函数，内部可填入三个参数，image,imageType,options。这三个参数你也已经在上面的代码中赋值好了

人脸检测返回数据参数详情

log_id	uint64	是	日志id
result_num	uint32	是	人脸数目
result	object[]	是	人脸属性对象的集合
+age	double	否	年龄。face_fields包含age时返回
+beauty	double	否	美丑打分，范围0-100，越大表示越美。face_fields包含beauty时返回
+location	object	是	人脸在图片中的位置
++left	uint32	是	人脸区域离左边界的距离
++top	uint32	是	人脸区域离上边界的距离
++width	uint32	是	人脸区域的宽度
++height	uint32	是	人脸区域的高度
+face_probability	double	是	人脸置信度，范围0-1
+rotation_angle	int32	是	人脸框相对于竖直方向的顺时针旋转角，[-180,180]
+yaw	double	是	三维旋转之左右旋转角[-90(左), 90(右)]
+pitch	double	是	三维旋转之俯仰角度[-90(上), 90(下)]
+roll	double	是	平面内旋转角[-180(逆时针), 180(顺时针)]
+expression	uint32	否	表情，0，不笑；1，微笑；2，大笑。face_fields包含expression时返回
+expression_probability	double	否	表情置信度，范围0~1。face_fields包含expression时返回
+faceshape	object[]	否	脸型置信度。face_fields包含faceshape时返回
++type	string	是	脸型：square/triangle/oval/heart/round
++probability	double	是	置信度：0~1
+gender	string	否	male、female。face_fields包含gender时返回
+gender_probability	double	否	性别置信度，范围0~1。face_fields包含gender时返回
+glasses	uint32	否	是否带眼镜，0-无眼镜，1-普通眼镜，2-墨镜。face_fields包含glasses时返回
+glasses_probability	double	否	眼镜置信度，范围0~1。face_fields包含glasses时返回
+landmark	object[]	否	4个关键点位置，左眼中心、右眼中心、鼻尖、嘴中心。face_fields包含landmark时返回
++x	uint32	否	x坐标
++y	uint32	否	y坐标
+landmark72	object[]	否	72个特征点位置，示例图 。face_fields包含landmark时返回
++x	uint32	否	x坐标
++y	uint32	否	y坐标
+qualities	object	否	人脸质量信息。face_fields包含qualities时返回
++occlusion	object	是	人脸各部分遮挡的概率,[0, 1],0表示完整，1表示不完整
+++left_eye	double	是	左眼
+++right_eye	double	是	右眼
+++nose	double	是	鼻子
+++mouth	double	是	嘴
+++left_cheek	double	是	左脸颊
+++right_cheek	double	是	右脸颊
+++chin	double	是	下巴
++blur	double	是	人脸模糊程度，[0, 1]。0表示清晰，1表示模糊
++illumination	-	是	取值范围在[0,255],表示脸部区域的光照程度
++completeness	-	是	人脸完整度，[0, 1]。0表示完整，1表示不完整
++type	object	是	真实人脸/卡通人脸置信度
+++human	-	是	真实人脸置信度，[0, 1]
+++cartoon	-	是	卡通人脸置信度，[0, 1]

 获取结果

这些就是我们在进行人脸识别的依据的特征信息。

 代码也可通过公众号获取