如何利用OpenCV dlib實現人臉采集

本篇內容主要講解“如何利用OpenCV dlib實現人臉采集”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實用性強。下面就讓小編來帶大家學習“如何利用OpenCV dlib實現人臉采集”吧!

1. 效果圖

先上一張檢測完的圖：

也可以每一部分先標識出來：

2. 原理

面部標志主要是： 口 右眉 左眉 右眼 左眼 鼻子 下顎線
這一節即提取這些部分；

從圖中可以看到假設是以0為下標的數組：

嘴唇可以認為是： points [48, 68]. 內嘴唇：[60,68]
右眉毛 points [17, 22].
左眉毛 points [22, 27].
右眼 [36, 42].
左眼 [42, 48].
鼻子 [27, 35].
下頜 [0, 17].

已經知道下標，數組切片，并用不同的顏色來標識各個部位，imutils包，可以幫助我們更優雅的寫代碼的包；已經有封裝好方法face_utils 。
嘴唇等是閉合區域，用閉合的凸包表示，下頜用線勾勒；

面部標志檢測返回結果是：68個（x，y）坐標：
（1）先轉為適合OpenCV處理的 Numpy array，
（2）數組切片，用不同的顏色標識不同的面部結構部分；

3. 源碼

# 安裝了dlib
# imutils 是最新的版本
# python detect_face_parts.py --shape-predictor shape_predictor_68_face_landmarks.dat --image images/girl.jpg

from imutils import face_utils
import numpy as np
import argparse
import imutils
import dlib
import cv2
import shutil
import os

# 構建命令行參數
# --shape-predictor 必須 形狀檢測器位置
# --image 必須 待檢測的圖片
ap = argparse.ArgumentParser()
ap.add_argument("-p", "--shape-predictor", required=True,
                help="path to facial landmark predictor")
ap.add_argument("-i", "--image", required=True,
                help="path to input image")
args = vars(ap.parse_args())

temp_dir = "temp"
shutil.rmtree(temp_dir, ignore_errors=True)
os.makedirs(temp_dir)

# 初始化dlib中基于HOG的面部檢測器,及形狀預測器
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor(args["shape_predictor"])

# 加載待檢測的圖片,resize,并且裝換為灰度圖
image = cv2.imread(args["image"])
image = imutils.resize(image, width=500)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 在灰度圖中檢測面部
rects = detector(gray, 1)

# 循環檢測到的面部
num = 0
for (i, rect) in enumerate(rects):
    # 確定面部區域進行面部標志檢測,并將其檢測到的68個點轉換為方便python處理的Numpy array
    shape = predictor(gray, rect)
    shape = face_utils.shape_to_np(shape)

    # 循環遍歷面部標志獨立的每一部分
    for (name, (i, j)) in face_utils.FACIAL_LANDMARKS_IDXS.items():

        # 復制一張原始圖的拷貝,以便于繪制面部區域,及其名稱
        clone = image.copy()
        cv2.putText(clone, name, (10, 30), cv2.FONT_HERSHEY_SIMPLEX,
                    0.7, (0, 0, 255), 2)

        # 遍歷獨立的面部標志的每一部分包含的點,并畫在圖中
        for (x, y) in shape[i:j]:
            cv2.circle(clone, (x, y), 1, (0, 0, 255), -1)
            # 要實際提取每個面部區域，我們只需要計算與特定區域關聯的（x，y）坐標的邊界框，并使用NumPy數組切片來提取它：
            (x, y, w, h) = cv2.boundingRect(np.array([shape[i:j]]))
            roi = image[y:y + h, x:x + w]

            # resize ROI區域為 寬度250,以便于更好的可視化
            roi = imutils.resize(roi, width=250, inter=cv2.INTER_CUBIC)

            # 展示獨立的面部標志
            cv2.imshow("ROI", roi)
            cv2.imshow("Image", clone)
            cv2.waitKey(0)

        num = num + 1
        p = os.path.sep.join([temp_dir, "{}.jpg".format(
            str(num).zfill(8))])
        print('p: ', p)
        cv2.imwrite(p, output)

    # 應用visualize_facial_landmarks 功能為每個面部部位創建透明的覆蓋層。(transparent overlay)
    output = face_utils.visualize_facial_landmarks(image, shape)
    cv2.imshow("Image", output)
    cv2.waitKey(0)

到此，相信大家對“如何利用OpenCV dlib實現人臉采集”有了更深的了解，不妨來實際操作一番吧！這里是億速云網站，更多相關內容可以進入相關頻道進行查詢，關注我們，繼續學習！