使用paddlehub face_landmark_localization进行面部图像精确处理

最新推荐文章于 2024-09-06 23:02:35 发布

高龄程序员

最新推荐文章于 2024-09-06 23:02:35 发布

阅读量1.9k

点赞数 1

文章标签：人脸识别 python opencv

本文链接：https://blog.csdn.net/kenshin516163/article/details/105882725

版权

本文介绍了使用PaddleHub进行面部关键点识别，通过识别出的关键点进行面部区域处理，结合opencv进行图像填充和融合。代码中以RGB方式判断肤色，并直接在原图上绘图，而非采用图片叠加，以保持图像质量。作者在思考和总结中提到，面部关键点在动态场景中的精确定位还需考虑更多因素，如比例、肤色和光照，同时对比了图片叠加与像素替换两种方法的影响。

摘要由CSDN通过智能技术生成

人脸关键点检测是人脸识别和分析领域中的关键一步，它是诸如自动人脸识别、表情分析、三维人脸重建及三维动画等其它人脸相关问题的前提和突破口。
paddlehub提供了face_landmark_localization模型，可以快速的提供人脸部68个关键点（人脸轮廓17个点，左右眉毛各5个点，左右眼睛各6个点，鼻子9个点，嘴巴20个点）。
我计划试验在这68个点的基础上，为目标图像进行一个唐代妆容的美化。
![在这里插入图片描述](https://img-blog.csdnimg.cn/20200501212047172.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tlbnNoaW41MTYxNjM=,size_16,color_FFFFFF,t_70)

设计思路

利用识别出的关键点进行面部区域划定，然后使用opencv的方式进行填充和图像融合。

代码

import paddlehub as hub
import cv2
import numpy as np
from matplotlib import pyplot as plt
import os
import random
%matplotlib inline

#展示图片效果
def img_show_bgr(image,size=8):
#cv2.cvtColor，plt.imshow,plt.axis
#节省空间，不填代码了
#返回两点中点坐标
def mid_point(p1,p2):
    point=(np.array(p1)+np.array(p2))/2
    point=point.astype(int)
    return (point[0],point[1])
 #返回两点距离
def dis_point(p1,p2):
    x_dis=p1[0]-p2[0]
    x_dis**=2
    y_dis=p1[1]-p2[1]
    y_dis**=2
    return (x_dis+y_dis)**0.5
#肤色判定RGB
def skin_rgbrange(R,G,B):
    skin = 0
                
    if (abs(R - G) > 15) and (R > G) and (R > B):
        if (R > 95) and (G > 40) and (B > 20) and (max(R,G,B) - min(R,G,B) > 15):               
            skin = 1    
        elif (R > 220) and (G > 210) and (B > 170)