| OpenCV实现人脸检测和68点定位 | 您所在的位置：网站首页 › opencv画图卡掉 › OpenCV实现人脸检测和68点定位 |
OpenCV实现人脸检测和68点定位
|
人脸对比是现在比较常用的功能，比如出租车司机人脸与司机驾照照片对比，门禁系统中进入者的人脸与人脸库中的人脸进行对比。要实现人脸对比，首先要实现的是人脸检测，在摄像头拍摄到的一张图片中，正确的检测到人脸的位置，并且将人脸提取出来。 目录 1 原理先知 1.1 68点标定和OpenCV绘点 1.2 编码设计思路 1.3 OpenCV画图函数介绍 2 环境说明 3 实验内容 4 步骤详解 4.1 OpenCV实现人脸检测 4.2 人脸68点定位 1 原理先知 1.1 68点标定和OpenCV绘点考虑到免费开源，OpenCV 就可以很好的实现这个功能。 这里使用OpenCV提供好的人脸分类模型xml：haarcascade_frontalface_alt_tree.xml。 同时利用Dlib官方给的人脸识别预测器“shape_predictor_68_face_landmarks.dat”进行68点标定（利用OpenCV进行图像化处理，在人脸上画出68个点，并标明序号）。 注：OpenCV人脸分类模型xml及Dlib人脸识别预测器下载地址https://pan.baidu.com/s/1gZfYupoW9Zo_2lVV524cWA 提取码：w536 人脸68点定位工作内容主要以下两大块：68点标定 和 OpenCV绘点 68点标定：dlib提供了训练好的模型，可以识别人脸的68个特征点OpenCV绘点：画圆函数cv2.circle() 和 输出字符串函数 cv2.putText() 1.2 编码设计思路 调用dlib库来进行人脸识别，调用预测器“shape_predictor_68_face_landmarks.dat”进行68点标定存入68个点坐标利用cv2.circle来画68个点利用cv2.putText()函数来画数字1-68 1.3 OpenCV画图函数介绍 画圆 cv2.circle( img, (p1,p2), r, (255,255,255) )img 图片对象(p1,p2) 圆心坐标r 半径(255,255,255) 颜色数组输出字符 cv2.putText( img,"test", (p1,p2), font, 4, (255,255,255), 2, cv2, LINE_AA )img 图像对象"test" 需要打印的字符 text（数字的话可以利用str()转成字符）(p1,p2) 坐标 textOrgfont 表示字体 fontFace（注意这里 font = cv2.FONT_HERSHEY_SIMPLEX）4 表示字号 fontScale(255,255,255) 颜色数组2 线宽 thicknessLINE_AA 线条种类 line_type； 关于颜色数组：(255,255,255), (蓝色，绿色，红色)，每个值都是0-255。比如：蓝色(255,0,0)，紫色(255,0,255) 2 环境说明 Linux Ubuntu 16.04Python 3.6PyCharm Community2018Opencv-python 3.4.0.12 3 实验内容 使用haarcascade_frontalface_alt_tree.xml人脸分类模型检测人脸。利用Dlib官方给的人脸识别预测器“shape_predictor_68_face_landmarks.dat”进行68点标定，利用OpenCV进行图像化处理，在人脸上画出68个点，并标明序号。 4 步骤详解 4.1 OpenCV实现人脸检测首先将图片转换成灰色：使用 OpenCV 的 cvtColor() 转换图片颜色。 import cv2 filepath = "/data/opencv12/mv.jpg" img = cv2.imread(filepath) # 转换灰色，目的是在人脸检测时排除色彩的干扰 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 显示图像 cv2.imshow("original", img) cv2.imshow("Image", gray) cv2.waitKey(0) cv2.destroyAllWindows()之后使用训练分类器查找人脸：在使用 OpenCV 的人脸检测之前，需要一个人脸训练模型，格式是 xml 的，本实验中使用的是 OpenCV 提供好的人脸分类模型 xml：haarcascade_frontalface_alt_tree.xml。 Haar 特征分类器就是一个 XML 文件，该文件中会描述人体各个部位的Haar特征值。包括人脸、眼睛、嘴唇等等。 OpenCV中人脸检测使用的是 detectMultiScale函数。它可以检测出图片中所有的人脸，并将人脸用vector保存各个人脸的坐标、大小（用矩形表示）。 # 加载OpenCV人脸识别分类器 face_detector = cv.CascadeClassifier("haarcascade_frontalface_alt_tree.xml") # 调用函数识别人脸 faceRects = classifier.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=3, minSize=(32, 32))最后在图片上画矩形：使用 OpenCV 的 rectangle() 绘制矩形。 color = (0, 255, 0) if len(faceRects): # 大于0则检测到人脸 for faceRect in faceRects: # 单独框出每一张人脸 x, y, w, h = faceRect # x、y表示坐标；w、h表示矩形宽和高 # 框出人脸 cv2.rectangle(img, (x, y), (x + h, y + w), color, 2) # 左眼 cv2.circle(img, (x + w // 4, y + h // 4 + 30), min(w // 8, h // 8),color) #右眼 cv2.circle(img, (x + 3 * w // 4, y + h // 4 + 30), min(w // 8, h // 8),color) #嘴巴 cv2.rectangle(img, (x + 3 * w // 8, y + 3 * h // 4),(x + 5 * w // 8, y + 7 * h // 8), color)OpenCV实现人脸检测完整代码如下： import cv2 filepath = "/data/opencv12/mv.jpg" img = cv2.imread(filepath) cv2.imshow("original", img) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) classifier = cv2.CascadeClassifier("/data/opencv12/haarcascade_frontalface_alt_tree.xml") faceRects = classifier.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=3, minSize=(32, 32)) color = (0, 255, 0) if len(faceRects): for faceRect in faceRects: x, y, w, h = faceRect cv2.rectangle(img, (x, y), (x + h, y + w), color, 2) cv2.circle(img, (x + w // 4, y + h // 4 + 30), min(w // 8, h // 8),color) cv2.circle(img, (x + 3 * w // 4, y + h // 4 + 30), min(w // 8, h // 8),color) cv2.rectangle(img, (x + 3 * w // 8, y + 3 * h // 4),(x + 5 * w // 8, y + 7 * h // 8), color) cv2.imshow("image", img) cv2.waitKey(0) cv2.destroyAllWindows()OpenCV实现人脸检测运行结果如下所示。
除了使用 OpenCV 实现人脸检测之外，也可以借助比 OpenCV 更加精准的图片人脸检测 Dlib 库实现人脸 68 点定位。 首先导入需要调用的库。 import dlib #人脸识别的库dlib from PIL import Image #图像处理的库PIL import numpy as np #数据处理的库numpy import cv2 #图像处理的库OpenCv之后读取图片，并将图片转换为灰度图。 path = "/data/opencv12/mv.jpg" img = cv2.imread(path) cv2.imshow("original", img) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)接下来读取训练模型，就可以检测脸部 68 特征点。 # 人脸分类器 detector = dlib.get_frontal_face_detector() # 获取人脸检测器 predictor = dlib.shape_predictor("/data/opencv12/shape_predictor_68_face_landmarks.dat")最后在人脸上遍历所有检测点并打上标注,并标注 1-68 数字。 rects = detector(gray, 0) for i in range(len(rects)): landmarks = np.matrix([[p.x, p.y] for p in predictor(img, rects[i]).parts()]) # 寻找人脸的68个标定点 # 遍历所有点，打印出其坐标，并圈出来,并标注1-68数字 for idx, point in enumerate(landmarks): pos = (point[0, 0], point[0, 1]) # 利用cv2.circle给每个特征点画一个圈，共68个 cv2.circle(img, pos, 3, color=(0, 255, 0)) # 利用cv2.putText输出1-68 font = cv2.FONT_HERSHEY_SIMPLEX cv2.putText(img, str(idx+1), pos, font, 0.3, (0, 0, 255), 1, cv2.LINE_AA)人脸68点定位完整代码如下： import cv2 import dlib import numpy as np path = "/data/opencv12/mv.jpg" img = cv2.imread(path) cv2.imshow("original", img) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) detector = dlib.get_frontal_face_detector() predictor = dlib.shape_predictor("/data/opencv12/shape_predictor_68_face_landmarks.dat") rects = detector(gray, 0) for i in range(len(rects)): landmarks = np.matrix([[p.x, p.y] for p in predictor(img, rects[i]).parts()]) for idx, point in enumerate(landmarks): pos = (point[0, 0], point[0, 1]) cv2.circle(img, pos, 3, color=(0, 255, 0)) font = cv2.FONT_HERSHEY_SIMPLEX cv2.putText(img, str(idx+1), pos, font, 0.3, (0, 0, 255), 1, cv2.LINE_AA) cv2.imshow("imgdlib", img) cv2.waitKey(0) cv2.destroyAllWindows()人脸68点定位运行结果如下所示。 可以发现，dlib检测到人脸包括双眼、鼻子、嘴巴在内并用68点标注过的图片如下所示，并可以精准的定位检测人脸。
感谢阅读 END |
【本文地址】