python 人脸轮廓提取_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！...

以前写过一篇关于实现人脸识别的文章，里面用到的技术是经过调用百度 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，html

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，可供咱们直接调用。web

1，dilb 安装

dlib 程序包的安装方式也是用 pip 来进行安装的，但不一样于其它程序包的是，在输入算法

pip install dlib

以前，须要安装 Cmake 程序包，该工具主要是对 dlib 进行编译，安装命令与其余包相似微信

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：机器学习

detector = dlib.get_frontal_face_detector()

win = win = dlib.image_window()

以后利用  load_rgb_image()  函数读取图像：函数

img = dlib.load_rgb_image(f)

接下来进行核心功能人脸检测的实现，这里须要借助于上面定义获得的检测器工具

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

img 就是咱们读取后的图像，第二个参数 1 表明的是图片上采样倍数，值越大，最终识别获得的结果越好，-1 表明的是调整分割阈值，负值表示将返回更多检测结果学习

返回的 dets 返回的是一我的脸区域矩形，分别表示左，上、右、下边界，是 tuple 形式，若是检测出一我的脸，则为一个 tuple, 若是是多我的脸，将会把多个 tuple 放置在一个列表中；有个这个矩形坐标就能够作如下事情：spa

人脸区域裁剪，进行区域提取；.net

人脸区域线条标记

score  表示的是人脸识结果检测几率，越大表明识别出来的结果越好；若是一幅图有多我的脸，则返回多个检测几率以列表形式储存；idx 是用于在一副图检测出多我的脸是用的索引，能够对其进行索引

win.clear_overlay()

win.set_image(img)

win.add_overlay(dets)

dlib.hit_enter_to_continue

最后咱们利用 前面定义的 win 窗口，进行图像预览，结果以下，

Snipaste_2020-06-01_23-43-59.png

固然也能够用 OpenCV 进行轮廓勾勒，OpenCV 勾勒结果以下( 有色差的缘由是OpenCV 读取的是 BGR 通道顺序 )；

Snipaste_2020-06-01_23-46-03.png

3，dlib 提取人脸68个特征点

OpenCV 也能够用于人脸识别，但效果不如 dlib ，除了上面提到的线框检测以外，dlib 还能够直接提取人脸上的 68 个特征点，做为坐标形式来返回；

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

Snipaste_2020-06-02_14-48-24.png

与人脸识别不同的是，这里须要加上一个形状检测器，形状检测器这里须要官网提供的文件、里面放置已经训练好的权重信息，能够直接使用，上面功能实现代码以下：

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()

坐标点的获取能够经过 part(index) 函数获取

上面的坐标点，也能够经过 OpenCV 在原图上勾勒出来，并注释上文字，效果以下：

Snipaste_2020-06-02_15-02-38.png

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 的表现至关不错的，有兴趣的同窗能够去官网看关于 dlib 的详细介绍，本身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，感兴趣的小伙伴能够提早关注一波。

文中提到的权重文件获取方式，在公众号后台回复关键字：dlib  便可获取

参考连接:

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

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

3，http://dlib.net/