计算机视觉项目-人脸识别与检测

😊😊😊欢迎来到本博客😊😊😊
本次博客内容将继续讲解关于OpenCV的相关知识
🎉作者简介：⭐️⭐️⭐️目前计算机研究生在读。主要研究方向是人工智能和群智能算法方向。目前熟悉深度学习（keras、pytorch、yolo系列），python网页爬虫、机器学习、计算机视觉（OpenCV）、群智能算法。然后正在学习深度学习的相关内容。以后可能会涉及到网络安全相关领域，毕竟这是每一个学习计算机的梦想嘛！
📝目前更新：🌟🌟🌟目前已经更新了关于网络爬虫的相关知识、机器学习的相关知识、目前正在更新计算机视觉-OpenCV的相关内容。
💛💛💛本文摘要💛💛💛
本文我们将继续讲解AI领域项目-目标识别的相关操作。

文章目录

🌟项目介绍前言

人脸识别作为一种生物特征识别技术，具有非侵扰性、非接触性、友好性和便捷性等优点。人脸识别通用的流程主要包括人脸检测、人脸裁剪、人脸校正、特征提取和人脸识别。人脸检测是从获取的图像中去除干扰，提取人脸信息，获取人脸图像位置，检测的成功率主要受图像质量，光线强弱和遮挡等因素影响。下图是整个人脸检测过程。
在这里插入图片描述

🌟识别检测方法

传统识别方法 (1)基于点云数据的人脸识别 (2)基于面部特征的3D人脸识别
深度学习识别方法 (1)基于深度图的人脸识别 (2)基于RGB-3DMM的人脸识别 (3)基于RGB-D的人脸识别

🌟本文方法

关键点定位概述
一般人脸中有5个关键点，其中包括眼睛两个，鼻子一个，嘴角两个。还可以细致的分为68个关键点，这样的话会概括的比较全面，我们本次研究就是68个关键点定位。
在这里插入图片描述
上图就是我们定位人脸的68个关键点，其中他的顺序是要严格的进行排序的。从1到68点的顺序不能错误。

🌟项目解析

使用机器学习框架dlib做本次的项目。首先我们要指定参数时，要把dlib中的68关键点人脸定位找到。设置出来的68关键点人脸定位找到。并且设置出来。

from collections import OrderedDict
import numpy as np
import argparse
import dlib
import cv2

首先我们导入工具包。其中

dlib

库是通过这个网址

http://dlib.net/files/

进行下载的。然后我们导入参数。

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())

这里我们要设置参数，

--shape-predictor shape_predictor_68_face_landmarks.dat --image images/lanqiudui.jpg

。如果一张图像里面有多个人脸，那么我们分不同部分进行检测，裁剪出来所对应的ROI区域。我们的整体思路就是先检测人脸所在的一个区域位置，然后检测鼻子相对于人脸框所在的一个位置，比如说人的左眼睛在0.2w，0.2h的人脸框处。

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))])

这个是68个关键点定位的各个部位相对于人脸框的所在位置。分别对应着嘴，左眼、右眼、左眼眉、右眼眉、鼻子、下巴。

FACIAL_LANDMARKS_5_IDXS = OrderedDict([("right_eye",(2,3)),("left_eye",(0,1)),("nose",(4))])

如果是5点定位，那么就需要定位左眼、右眼、鼻子。0、1、2、3、4分别表示对应的5个点。

detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor(args["shape_predictor"])

加载人脸检测与关键点定位。加载出来。其中

detector

默认的人脸检测器。然后通过传入参数返回人脸检测矩形框4点坐标。其中

predictor

以图像的某块区域为输入，输出一系列的点（point location）以表示此图像region里object的姿势pose。返回训练好的人脸68特征点检测器。

image = cv2.imread(args["image"])(h, w)= image.shape[:2]
width=500
r = width /float(w)
dim =(width,int(h * r))
image = cv2.resize(image, dim, interpolation=cv2.INTER_AREA)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

这里我们把数据读了进来，然后进行需处理，提取h和w，其中我们自己设定图像的w为500，然后按照比例同比例设置h。然后进行了resize操作，最后转化为灰度图。

rects = detector(gray,1)

这里调用了

detector

的人脸框检测器，要使用灰度图进行检测，这个1是重采样个数。这里面返回的是人脸检测矩形框4点坐标。然后对检测框进行遍历

for(i, rect)inenumerate(rects):# 对人脸框进行关键点定位# 转换成ndarray
    shape = predictor(gray, rect)
    shape = shape_to_np(shape)

这里面返回68个关键点定位。

shape_to_np

这个函数如下。

defshape_to_np(shape, dtype="int"):# 创建68*2
    coords = np.zeros((shape.num_parts,2), dtype=dtype)# 遍历每一个关键点# 得到坐标for i inrange(0, shape.num_parts):
        coords[i]=(shape.part(i).x, shape.part(i).y)return coords

这里

shape_to_np

函数的作用就是得到关键点定位的坐标。

for(name,(i, j))in FACIAL_LANDMARKS_68_IDXS.items():
        clone = image.copy()
        cv2.putText(clone, name,(10,30), cv2.FONT_HERSHEY_SIMPLEX,0.7,(0,0,255),2)# 根据位置画点for(x, y)in shape[i:j]:
            cv2.circle(clone,(x, y),3,(0,0,255),-1)# 提取ROI区域(x, y, w, h)= cv2.boundingRect(np.array([shape[i:j]]))
        
        roi = image[y:y + h, x:x + w](h, w)= roi.shape[:2]
        width=250
        r = width /float(w)
        dim =(width,int(h * r))
        roi = cv2.resize(roi, dim, interpolation=cv2.INTER_AREA)# 显示每一部分
        cv2.imshow("ROI", roi)
        cv2.imshow("Image", clone)
        cv2.waitKey(0)

这里字典

FACIAL_LANDMARKS_68_IDXS.items()

是同时提取字典中的key和value数值。然后遍历出来这几个区域，并且进行显示具体是那个区域，并且将这个区域画圆。随后提取roi区域并且进行显示。后面部分就是同比例显示w和h。然后展示出来。

    output = visualize_facial_landmarks(image, shape)
    cv2.imshow("Image", output)
    cv2.waitKey(0)

最后展示所有区域。
其中

visualize_facial_landmarks

函数就是：

defvisualize_facial_landmarks(image, shape, colors=None, alpha=0.75):# 创建两个copy# overlay and one for the final output image
    overlay = image.copy()
    output = image.copy()# 设置一些颜色区域if colors isNone:
        colors =[(19,199,109),(79,76,240),(230,159,23),(168,100,168),(158,163,32),(163,38,32),(180,42,220)]# 遍历每一个区域for(i, name)inenumerate(FACIAL_LANDMARKS_68_IDXS.keys()):# 得到每一个点的坐标(j, k)= FACIAL_LANDMARKS_68_IDXS[name]
        pts = shape[j:k]# 检查位置if name =="jaw":# 用线条连起来for l inrange(1,len(pts)):
                ptA =tuple(pts[l -1])
                ptB =tuple(pts[l])
                cv2.line(overlay, ptA, ptB, colors[i],2)# 计算凸包else:
            hull = cv2.convexHull(pts)
            cv2.drawContours(overlay,[hull],-1, colors[i],-1)# 叠加在原图上，可以指定比例
    cv2.addWeighted(overlay, alpha, output,1- alpha,0, output)return output

这个函数是计算

cv2.convexHull

凸包的，也就是下图这个意思。
在这里插入图片描述
这个函数

cv2.addWeighted

是做图像叠加的。

src1, src2：需要融合叠加的两副图像，要求大小和通道数相等
alpha：src1 的权重
beta：src2 的权重
gamma：gamma 修正系数，不需要修正设置为 0
dst：可选参数，输出结果保存的变量，默认值为 None
dtype：可选参数，输出图像数组的深度，即图像单个像素值的位数（如 RGB 用三个字节表示，则为 24 位），选默认值 None 表示与源图像保持一致。

dst = src1 × alpha + src2 × beta + gamma;上面的式子理解为，结果图像 = 图像 1× 系数 1+图像 2× 系数 2+亮度调节量。

🌟完整代码及效果展示

from collections import OrderedDict
import numpy as np
import argparse
import dlib
import cv2

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())

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))])defshape_to_np(shape, dtype="int"):# 创建68*2
    coords = np.zeros((shape.num_parts,2), dtype=dtype)# 遍历每一个关键点# 得到坐标for i inrange(0, shape.num_parts):
        coords[i]=(shape.part(i).x, shape.part(i).y)return coords

defvisualize_facial_landmarks(image, shape, colors=None, alpha=0.75):# 创建两个copy# overlay and one for the final output image
    overlay = image.copy()
    output = image.copy()# 设置一些颜色区域if colors isNone:
        colors =[(19,199,109),(79,76,240),(230,159,23),(168,100,168),(158,163,32),(163,38,32),(180,42,220)]# 遍历每一个区域for(i, name)inenumerate(FACIAL_LANDMARKS_68_IDXS.keys()):# 得到每一个点的坐标(j, k)= FACIAL_LANDMARKS_68_IDXS[name]
        pts = shape[j:k]# 检查位置if name =="jaw":# 用线条连起来for l inrange(1,len(pts)):
                ptA =tuple(pts[l -1])
                ptB =tuple(pts[l])
                cv2.line(overlay, ptA, ptB, colors[i],2)# 计算凸包else:
            hull = cv2.convexHull(pts)
            cv2.drawContours(overlay,[hull],-1, colors[i],-1)# 叠加在原图上，可以指定比例
    cv2.addWeighted(overlay, alpha, output,1- alpha,0, output)return output

# 加载人脸检测与关键点定位
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor(args["shape_predictor"])# 读取输入数据，预处理
image = cv2.imread(args["image"])(h, w)= image.shape[:2]
width=500
r = width /float(w)
dim =(width,int(h * r))
image = cv2.resize(image, dim, interpolation=cv2.INTER_AREA)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 人脸检测
rects = detector(gray,1)# 遍历检测到的框for(i, rect)inenumerate(rects):# 对人脸框进行关键点定位# 转换成ndarray
    shape = predictor(gray, rect)
    shape = shape_to_np(shape)# 遍历每一个部分for(name,(i, j))in FACIAL_LANDMARKS_68_IDXS.items():
        clone = image.copy()
        cv2.putText(clone, name,(10,30), cv2.FONT_HERSHEY_SIMPLEX,0.7,(0,0,255),2)# 根据位置画点for(x, y)in shape[i:j]:
            cv2.circle(clone,(x, y),3,(0,0,255),-1)# 提取ROI区域(x, y, w, h)= cv2.boundingRect(np.array([shape[i:j]]))
        
        roi = image[y:y + h, x:x + w](h, w)= roi.shape[:2]
        width=250
        r = width /float(w)
        dim =(width,int(h * r))
        roi = cv2.resize(roi, dim, interpolation=cv2.INTER_AREA)# 显示每一部分
        cv2.imshow("ROI", roi)
        cv2.imshow("Image", clone)
        cv2.waitKey(0)# 展示所有区域
    output = visualize_facial_landmarks(image, shape)
    cv2.imshow("Image", output)
    cv2.waitKey(0)

在这里插入图片描述

最终将7个人的人脸都依次的检测到了。并且根据关键点定位到了。

🔎支持：🎁🎁🎁如果觉得博主的文章还不错或者您用得到的话，可以免费的关注一下博主，如果三连收藏支持就更好啦！这就是给予我最大的支持！

标签：计算机视觉人工智能 python

本文转载自: https://blog.csdn.net/m0_37623374/article/details/126494085
版权归原作者 吃猫的鱼python 所有，如有侵权，请联系我们删除。

计算机视觉项目-人脸识别与检测

文章目录

🌟项目介绍前言

🌟识别检测方法

🌟本文方法

🌟项目解析

🌟完整代码及效果展示

发表评论

“计算机视觉项目-人脸识别与检测”的评论:

关于作者

overfit同步小助手

相关阅读

文章导航