dlib实现人脸检测

使用dlib实现人脸检测

步骤：
1.加载dlib自带的frontal_face_detector作为我们的人脸征检测器
2.加载官方提供的模型构建特征提取器
3.使用detector进行人脸检测
4.输出人脸个数
5.使用predictor进行人脸关键点识别
6.绘出关键点

python代码：

import sys
import dlib
import numpy
from skimage import io 


def dlib_demo():
    # 使用dlib自带的frontal_face_detector作为我们的特征提取器
    detector = dlib.get_frontal_face_detector()
    # 使用dlib提供的图片窗口
    win = dlib.image_window()
    # sys.argv[]是用来获取命令行参数的，sys.argv[0]表示代码本身文件路径，所以参数从1开始向后依次获取图片路径
    for f in sys.argv[1:]:
        # 输出目前处理的图片地址
        print("Processing file: {}".format(f))
        # 使用skimage的io读取图片
        img = io.imread(f)
        # 使用detector进行人脸检测 dets为返回的结果
        dest = detector(img, 1)
        # dets的元素个数即为脸的个数
        print("Number of faces detected: {}".format(len(dest)))
        # 使用enumerate 函数遍历序列中的元素以及它们的下标
        # 下标i即为人脸序号
        # left：人脸左边距离图片左边界的距离 ；right：人脸右边距离图片左边界的距离 
        # top：人脸上边距离图片上边界的距离 ；bottom：人脸下边距离图片上边界的距离
        for i, d in enumerate(dest):
            print("dest{}".format(d))

            print("Detection {}: Left: {} Top: {} Right: {} Bottom: {}".format(i, d.left(), d.top(), d.right(), d.bottom()))
        # 也可以获取比较全面的信息，如获取人脸与detector的匹配程度
        dest, score, idx = detector.run(img, 1)
        for i, d in enumerate(dest):
            print("Detection {}, dest{}, score: {}, face_type: {}".format(i, d, score[i], idx[i]))
        # 绘制图片(dlib的ui库可以直接绘制dets)
        win.set_image(img)
        win.add_overlay(dest)
        # 等待点击
        dlib.hit_enter_to_continue()


def dlib_demo2():
    # 读取dlib的训练模型
    predictor_path = "./data/shape_predictor_68_face_landmarks.dat"
    # 读取图片
    faces_path = "./data/7.jpg"
    # 使用dlib自带的frontal_face_detector作为人脸检测器
    detector = dlib.get_frontal_face_detector()
    # 使用官方提供的模型构建特征提取器
    predictor = dlib.shape_predictor(predictor_path)
    # 使用dlib提供的图片窗口
    win = dlib.image_window()
    # 使用skimage的io读取图片
    img = io.imread(faces_path)
    # 绘制图片
    win.clear_overlay()
    win.set_image(img)
    # 使用detector进行人脸检测 dets为返回的结果
    dets = detector(img, 1)
    # dets的元素个数即为脸的个数
    print("Number of faces detected: {}".format(len(dets)))

    for k, d in enumerate(dets):
        print("dets{}".format(d))
        print("Detection {}: Left: {} Top: {} Right: {} Bottom: {}".format(
            k, d.left(), d.top(), d.right(), d.bottom()))
        # 使用predictor进行人脸关键点识别 shape为返回的结果
        shape = predictor(img, d)
        # 获取第一个和第二个点的坐标（相对于图片而不是框出来的人脸）
        print("Part 0: {}, Part 1: {} ...".format(shape.part(0),  shape.part(1)))

        # 绘制特征点
        win.add_overlay(shape)
    # 绘制人脸框
    win.add_overlay(dets)
    # 打印关键点矩阵
    print("face_landmark:")
    print(get_landmarks_m(img, detector, predictor))
    # 等待点击
    dlib.hit_enter_to_continue()


# 多张脸使用的一个例子
def get_landmarks_m(im, detector, predictor):
    
    dets = detector(im, 1)
    # 脸的个数
    print("Number of faces detected: {}".format(len(dets)))
    for i in range(len(dets)):
        facepoint = numpy.array(
            [[p.x, p.y] for p in predictor(im, dets[i]).parts()])

        for i in range(68):
            # 标记点
            im[facepoint[i][1]][facepoint[i][0]] = [232, 28, 8]        

    return im    


# 也可以这样来获取（以一张脸的情况为例）
# get_landmarks()函数会将一个图像转化成numpy数组，并返回一个68 x2元素矩阵，输入图像的每个特征点对应每行的一个x，y坐标。
def get_landmarks(im, detector, predictor):
    rects = detector(im, 1)
    return numpy.matrix([[p.x, p.y] for p in predictor(im, rects[0]).parts()])


def main():
    
    dlib_demo2()
    pass

if __name__ == '__main__':
    main()

效果：

image.png image.png