| 【AI十行代码系列】3.人脸关键点定位 | 您所在的位置：网站首页 › 人脸各部分比例 › 【AI十行代码系列】3.人脸关键点定位 |
【AI十行代码系列】3.人脸关键点定位
|
【TLAIP系列简介】Ten-Lines-AI-Projects
现阶段有非常多优秀的开源的AI工程，为了有更好的可扩展性，接口往往设计得十分复杂，这需要投入一定的时间和精力来处理，对于不熟悉或者刚入门的小伙伴，这可能需要花很久。本系列设计的出发点也很纯粹，进一步降低小伙伴们挑选和使用轮子的时间，让更多小伙伴能更快地验证算法效果，算法满足效果了再扒开看看，不满意直接看下一个。有任何问题和建议欢迎随时评论，目前系列里的十行代码会按照下列方式进行： import 关键py 1.定义好输入 2.网络初始化配置 3.开始跑并输出结果 4.可视化结果包含空格和一些必要的说明，估计正好十行。哈哈哈哈（不能再少了，再少我的强迫症就不能忍受了）。 如果遇到什么很牛逼的AI工程或者自己不想跑的但是一眼看上去效果很好的工程，欢迎留言交流哈，有空可以一并整理到这个工程，一键可运行，无繁杂使用过程。 【正文】本文的主角依旧是谷歌大名鼎鼎的MediaPipe，相比于上一篇人体，人脸关键点定位的应用场景要多很多，除了可以直观地定位到人脸各部位外，在换脸、AR特效，甚至银行人脸认证等各个方面均有大量的应用。人脸相关的算法是目前已知算法中已落地场景最多的，同样，这个仓库入门也非常合适。惯例先放结果（完整仓库代码和测试视频、图片请直接拖到最后）：
基于这套算法可以完成很多AR特效（这就需要美术资源了，图为谷歌官网示意图）
正好十行，一行都不多，可以发现这个系列的这十行代码基本大同小异，蛤蛤。 from utils.face_mesh_mediapipe import InputData, InitFaceTracker, ShowResult # 初始化输入源, file支持数字（相机）以及视频文件路径，图片路径或文件夹路径 input_data = InputData("test/face_tracking.mp4") # input_data = InputData("test/imgs") # 初始化人脸关键点追踪tracker pose_track = InitFaceTracker(use_static_mode=input_data.use_img_list, faces_num=2) # 获取图像以及结果的generator run_pose_result = pose_track.run_face_tracking(input_data.get_next_img()) # 显示结果， ESC退出，图片模式按任意键继续 ShowResult(input_data.wait_key).show_result(run_pose_result)下列标红的是和前几篇文章不太一样的配置。 InputData用来处理各种输入，目前兼容下列各种情况的输入（是不是很良心）： 系统相机，输入相机编号即可，例如 InputData(file=0)一个视频文件，输入视频路径即可，例如 InputData(file="test/hand_tracking.mp4")一张图片，输入图片路径即可，例如 InputData(file="test/imgs/0.jpg")一个包含很多图像的目录，输入目录路径即可，例如 InputData(file="test/imgs")InitFaceTracker用来初始化网络的参数，主要参数如下： use_static_mode 图片模型还是视频模式，如果是图片，会先运行检测算法，否则直接追踪faces_num 用来控制人脸检测的数量detect_conf 检测网络的置信度（默认0.5就行，一般不用改）track_conf 追踪网络的置信度（默认0.5就行，一般不用改）ShowResult用来可视化结果 waitkey_mode 默认1，会刷新显示视频；输入0的话会阻塞图像显示，按下任意键继续 环境配置和使用说明配置conda（可选） conda create -n mediapipe python=3.6 conda activate mediapipe安装必要的依赖包 注意这里使用的mediapipe版本，不同版本的mediapipe接口不太一样。 pip install opencv-python pip install mediapipe==0.8.3配置好环境后，直接运行 “运行这个.py" 即可
Mediepipe封装地非常好了，和上一篇手部追踪的代码基本一致（可以直接跳到最后下载源码及测试视频），之前讲过的一些代码就不重复阐述了，主要讲下关键的一些配置。 网络初始化模块InitFaceTracker 其他配置都和手部追踪一致，faces_num用来控制图片中检测人脸的上限，可以参照下这块的代码： class InitFaceTracker: def __init__(self, use_static_mode=False, detect_conf=0.5, track_conf=0.5, faces_num=2): self.use_static_mode = use_static_mode self.detect_conf = detect_conf self.track_conf = track_conf self.faces_num = faces_num self.face = None self.init_network() def init_network(self): self.face = mp.solutions.face_mesh.FaceMesh( static_image_mode=self.use_static_mode, max_num_faces=self.faces_num, min_detection_confidence=0.5, min_tracking_confidence=0.5) print("init hand tracking down") def run_face_tracking(self, get_nex_img): while True: img_origin = next(get_nex_img) if img_origin is None: yield [None, None] break img = cv2.cvtColor(img_origin, cv2.COLOR_BGR2RGB) yield [img_origin, self.face.process(img)] 实际运行结果及简单点评配置下输入InputData("test/face_tracking.mp4")，直接可以看到效果： 人脸mesh的完成度真的挺高，在相当多的开源人脸算法中算是比较好的了，实际工程落地中加一些必要的滤波，效果应该会很不错。
复用下手部追踪里的视频看看，关键点还是挺清晰和稳定的。
如果看了效果想进一步尝试，可以仔细研究下面两个链接 MediaPipe https://github.com/google/mediapipe官方说明文档 Face Mesh - mediapipe 写在最后往期TLAIP列表： 【AI十行代码系列】1.手势关键点追踪-MediaPipe Python_朱铭德的博客-CSDN博客 【AI十行代码系列】2.人体关键点定位-MediaPipe Python_朱铭德的博客-CSDN博客 AI十行代码仓库地址（最重要的→）链接 ，后续功能也会在这里更新，欢迎提建议或需求，哈哈，本文相关所有代码和资源也可以在 这里下载。 如果文章对你稍微有些帮助的话，麻烦来个三连（疯狂暗示）。
|
【本文地址】