1.dlib.get_frontal_face_detector() # 得到人臉框位置的檢測器, detector(gray, 1) gray表示灰度圖，數組
2.dlib.shape_predictor(args['shape_predictor']) # 得到人臉關鍵點檢測器， predictor(gray, rect) gray表示輸入圖片，rect表示人臉框的位置信息函數
參數說明: args['shape_predoctor] 人臉檢測器的權重參數地址工具
3.cv2.convexHull(shape[i:k]) 繪製array位置的凸包信息spa
參數說明：shape[i:k]表示輸入的數組的位置信息code
人臉關鍵點檢測：首先經過人臉檢測，檢測出人臉框的位置，再使用加載的人臉關鍵點檢測，進行人臉關鍵點的檢測blog
代碼：圖片
第一步：參數設置，設置權重參數和圖片的位置ci
第二步：構造有序的字典，用於標記不一樣臉部部位對應的序號get
第三步：構造人臉檢測和人臉關鍵點檢測的檢測器input
第四步：使用人臉檢測器進行人臉的位置檢測
第五步：循環人臉檢測的位置，使用關鍵點檢測器，檢測出人臉的位置信息
第六步：因爲人臉檢測器的位置信息是封裝的，所以構造函數，轉換爲array格式
第七步：循環有序的字典，在每個部分畫出圓點
第八步：使用cv2.boudingRect(np.array(shape[j:k])) 得到臉部輪廓的位置信息
第九步：使用上面(x, y, w, h)截圖原始圖片
第十步：進行畫圖操做
第十一步：構造函數畫出全部的部分，對於臉部：使用cv2.line畫出直線，對於其餘部分，使用cv2.convexHull()得到凸包的輪廓，使用cv2.drawContour畫出輪廓
# 導入工具包 from collections import OrderedDict import numpy as np import argparse import dlib import cv2 # 第一步：參數設置 ap = argparse.ArgumentParser() ap.add_argument('-p', '--shape-predictor', default='shape_predictor_68_face_landmarks.dat', help='path to facial landmark predictor') ap.add_argument('-i', '--image', default='images/liudehua.jpg', help='path to input image') args = vars(ap.parse_args()) # 第二步：使用OrderedDict構造臉部循環字典時是有序的 FACIAL_LANDMARKS_68_IDXS = OrderedDict([ ('mouth', (48, 68)), ('right_eyebrow', (17, 22)), ('left_eyebrow', (22, 27)), ('right_eye', (36, 42)), ('left_eye', (42, 48)), ('nose', (27, 36)), ('jaw', (0, 17)) ]) FACIAL_LANDMARKS_5_IDXS = OrderedDict([ ("right_eye", (2, 3)), ("left_eye", (0, 1)), ("nose", (4)), ]) def shape_to_np(shape, dtype='int'): # 建立68*2用於存放座標 coords = np.zeros((shape.num_parts, 2), dtype=dtype) # 遍歷每個關鍵點 # 獲得座標 for i in range(0, shape.num_parts): coords[i] = (shape.part(i).x, shape.part(i).y) return coords def visualize_facial_landmarks(image, shape, colors=None, alpha=0.75): # 建立兩個copy # overlay and one for the final output image overlay = image.copy() output = image.copy() # 設置一些顏色區域 if colors is None: colors = [(19, 199, 109), (79, 76, 240), (230, 159, 23), (168, 100, 168), (158, 163, 32), (163, 38, 32), (180, 42, 220)] for (i, name) in enumerate(FACIAL_LANDMARKS_68_IDXS.keys()): # 獲得每個點的座標 (j, k) = FACIAL_LANDMARKS_68_IDXS[name] pts = shape[j:k] if name == 'jaw': # 用線條連起來 for l in range(1, len(pts)): ptA = tuple(pts[l-1]) ptB = tuple(pts[l]) # 對位置進行連線 cv2.line(overlay, ptA, ptB, colors[i], 2) else: # 使用cv2.convexHull得到位置的凸包位置 hull = cv2.convexHull(pts) # 使用cv2.drawContours畫出輪廓圖 cv2.drawContours(overlay, [hull], -1, colors[i], -1) cv2.addWeighted(overlay, alpha, output, 1-alpha, 0, output) return output # 第三步：加載人臉檢測與關鍵點定位 detector = dlib.get_frontal_face_detector() predictor = dlib.shape_predictor(args['shape_predictor']) # 讀取輸入數據，預處理，進行圖像的維度重構和灰度化 image = cv2.imread(args['image']) (h, w) = image.shape[:2] width = 500 r = width / float(w) dim = (width, int(r*h)) image = cv2.resize(image, dim, interpolation=cv2.INTER_AREA) gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 第四步：進行人臉檢測，得到人臉框的位置信息 rects = detector(gray, 1) # 遍歷檢測到的框 for (i, rect) in enumerate(rects): #第五步： 對人臉框進行關鍵點定位 shape = predictor(gray, rect) #第六步：將檢測到的關鍵點轉換爲ndarray格式 shape = shape_to_np(shape) # 第七步：對字典進行循環 for (name, (i, j)) in FACIAL_LANDMARKS_68_IDXS.items(): clone = image.copy() cv2.putText(clone, name, (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.45, (0, 0, 255), 2) # 根據位置畫點 for (x, y) in shape[i:j]: cv2.circle(clone, (x, y), 3, (0, 0, 255), -1) #第八步： 使用cv2.boundingRect得到臉部輪廓位置信息 (x, y, w, h) = cv2.boundingRect(np.array([shape[i:j]])) # 第九步：根據位置提取臉部的圖片 roi = image[y:y+h, x:x+w] (h, w) = roi.shape[:2] width = 250 r = width / float(w) dim = (width, int(r*h)) roi = cv2.resize(roi, dim, interpolation=cv2.INTER_AREA) # 第十步：進行畫圖操做顯示每一個部分 cv2.imshow('ROI', roi) cv2.imshow('Image', clone) cv2.waitKey(0) # 第十一步: 進行臉部位置的畫圖，若是是臉部：進行連線操做，若是是其餘位置，使用cv2.convexHull()得到凸包的位置信息，進行drawcontour進行畫圖 output = visualize_facial_landmarks(image, shape) cv2.imshow('Image', output) cv2.waitKey(0)
效果圖展現 全部區域畫圖