2024年大数据最新计算机视觉项目-人脸识别与检测_计算机视觉和人脸检测的关系，深入理解大数据开发的核心知识点

最新推荐文章于 2024-06-17 21:44:46 发布

2401_84182824

最新推荐文章于 2024-06-17 21:44:46 发布

阅读量851

点赞数 12

分类专栏：程序员文章标签：大数据面试学习

本文链接：https://blog.csdn.net/2401_84182824/article/details/138637877

版权

程序员专栏收录该内容

124 篇文章 0 订阅

订阅专栏

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！


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) in enumerate(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。

def shape_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 in range(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：

def visualize_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 is None:
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) in enumerate(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 in range(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](https://img-blog.csdnimg.cn/f81de9bff8b340a79a6f1d90fa1afe54.png)  
 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))
])

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

人脸检测

rects = detector(gray, 1)

遍历检测到的框

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

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取

glPP-1715272192010)]

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取

2401_84182824

关注

12
点赞
踩
17

收藏

觉得还不错? 一键收藏
1
评论
2024年大数据最新计算机视觉项目-人脸识别与检测_计算机视觉和人脸检测的关系，深入理解大数据开发的核心知识点

width=500# 对人脸框进行关键点定位# 转换成ndarray# 创建68*2# 遍历每一个关键点# 得到坐标# 创建两个copy# 设置一些颜色区域# 遍历每一个区域# 得到每一个点的坐标# 检查位置# 用线条连起来# 计算凸包else:# 叠加在原图上，可以指定比例import cv2])])# 创建68*2。
复制链接

扫一扫