人脸检测进阶：更快的5点面部标志检测器，2024最新大厂Python面试真题解析

• 左眼2分

• 右眼2分

• 鼻子1分

5 点面部标志检测器最合适的用例是面部对齐。

在加速方面，我发现新的 5 点检测器比原始版本快 8-10%，但这里真正的胜利是模型大小：为 9.2MB 。

同样重要的是要注意面部标志检测器开始时往往非常快（特别是如果它们被正确实现，就像它们在 dlib 中一样）。

dlib的安装教程：

https://wanghao.blog.csdn.net/article/details/121470556

人脸检测器模型：

https://download.csdn.net/download/hhhhhhhhhhwwwwwwwwww/50939290

使用 dlib、OpenCV 和 Python 实现面部标志

=========================================================================================

打开一个新文件，将其命名为 fast_facial_landmarks.py ，并插入以下代码：

import the necessary packages

from imutils.video import VideoStream

from imutils import face_utils

import argparse

import imutils

import time

import dlib

import cv2

导入了必要的包，特别是 dlib 和 imutils 中的两个模块。

imutils 包已更新以处理 68 点和 5 点面部标志模型。 确保通过以下方式在您的环境中升级它：

pip install --upgrade imutils

同样，更新 imutils 将允许您使用 68 点和 5 点面部标志。

解析命令行参数：

construct the argument parser and parse the arguments

ap = argparse.ArgumentParser()

ap.add_argument(“-p”, “–shape-predictor”, required=True,

help=“path to facial landmark predictor”)

args = vars(ap.parse_args())

我们有一个命令行参数：–shape-predictor。 此参数允许我们更改将在运行时加载的面部标志预测器的路径。

然后，让我们加载形状预测器并初始化我们的视频流：

initialize dlib’s face detector (HOG-based) and then create the

facial landmark predictor

print(“[INFO] loading facial landmark predictor…”)

detector = dlib.get_frontal_face_detector()

predictor = dlib.shape_predictor(args[“shape_predictor”])

initialize the video stream and sleep for a bit, allowing the

camera sensor to warm up

print(“[INFO] camera sensor warming up…”)

vs = VideoStream(src=1).start()

vs = VideoStream(usePiCamera=True).start() # Raspberry Pi

time.sleep(2.0)

初始化 dlib 的预训练 HOG + 线性 SVM 人脸检测器并加载 shape_predictor 文件。

访问相机，我们使用 imutils 中的 VideoStream 类。

您可以选择（通过注释/取消注释第 25 和 26 行）是否使用：

​ 1、内置/USB 网络摄像头

​ 2、或者，如果您将在 Raspberry Pi 上使用 PiCamera

从那里，让我们遍历帧并做一些工作：

loop over the frames from the video stream

while True:

grab the frame from the threaded video stream, resize it to

have a maximum width of 400 pixels, and convert it to

grayscale

frame = vs.read()

frame = imutils.resize(frame, width=400)

gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

detect faces in the grayscale frame

rects = detector(gray, 0)

check to see if a face was detected, and if so, draw the total

number of faces on the frame

if len(rects) > 0:

text = “{} face(s) found”.format(len(rects))

cv2.putText(frame, text, (10, 20), cv2.FONT_HERSHEY_SIMPLEX,

0.5, (0, 0, 255), 2)

首先，我们从视频流中读取一帧，调整其大小，然后转换为灰度。

然后让我们使用我们的 HOG + 线性 SVM 检测器来检测灰度图像中的人脸。

从那里，我们首先确保至少检测到一张人脸，从而在原始帧上绘制图像中的人脸总数。

接下来，让我们循环面部检测并绘制标记：

loop over the face detections

for rect in rects:

compute the bounding box of the face and draw it on the

frame

(bX, bY, bW, bH) = face_utils.rect_to_bb(rect)

cv2.rectangle(frame, (bX, bY), (bX + bW, bY + bH),

(0, 255, 0), 1)

determine the facial landmarks for the face region, then

convert the facial landmark (x, y)-coordinates to a NumPy

array

shape = predictor(gray, rect)

shape = face_utils.shape_to_np(shape)

loop over the (x, y)-coordinates for the facial landmarks

and draw each of them

for (i, (x, y)) in enumerate(shape):

cv2.circle(frame, (x, y), 1, (0, 0, 255), -1)

cv2.putText(frame, str(i + 1), (x - 10, y - 10),

cv2.FONT_HERSHEY_SIMPLEX, 0.35, (0, 0, 255), 1)

循环遍历 rects 。

我们使用 imutils 中的 face_utils 模块在原始框架上绘制人脸边界框（您可以在此处阅读更多信息）。

然后我们将面部传递给预测器以确定面部标志，随后我们将面部标志坐标转换为 NumPy 数组。

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Python开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加V获取：vip1024c （备注Python）

做了那么多年开发，自学了很多门编程语言，我很明白学习资源对于学一门新语言的重要性，这些年也收藏了不少的Python干货，对我来说这些东西确实已经用不到了，但对于准备自学Python的人来说，或许它就是一个宝藏，可以给你省去很多的时间和精力。

别在网上瞎学了，我最近也做了一些资源的更新，只要你是我的粉丝，这期福利你都可拿走。

我先来介绍一下这些东西怎么用，文末抱走。

---

（1）Python所有方向的学习路线（新版）

这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

最近我才对这些路线做了一下新的更新，知识体系更全面了。

（2）Python学习视频

包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。

（3）100多个练手项目

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。

（4）200多本电子书

这些年我也收藏了很多电子书，大概200多本，有时候带实体书不方便的话，我就会去打开电子书看看，书籍可不一定比视频教程差，尤其是权威的技术书籍。

基本上主流的和经典的都有，这里我就不放图了，版权问题，个人看看是没有问题的。

（5）Python知识点汇总

知识点汇总有点像学习路线，但与学习路线不同的点就在于，知识点汇总更为细致，里面包含了对具体知识点的简单说明，而我们的学习路线则更为抽象和简单，只是为了方便大家只是某个领域你应该学习哪些技术栈。

（6）其他资料

还有其他的一些东西，比如说我自己出的Python入门图文类教程，没有电脑的时候用手机也可以学习知识，学会了理论之后再去敲代码实践验证，还有Python中文版的库资料、MySQL和HTML标签大全等等，这些都是可以送给粉丝们的东西。

这些都不是什么非常值钱的东西，但对于没有资源或者资源不是很好的学习者来说确实很不错，你要是用得到的话都可以直接抱走，关注过我的人都知道，这些都是可以拿到的。

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，都欢迎扫码加入我们的的圈子（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！

候用手机也可以学习知识，学会了理论之后再去敲代码实践验证，还有Python中文版的库资料、MySQL和HTML标签大全等等，这些都是可以送给粉丝们的东西。

这些都不是什么非常值钱的东西，但对于没有资源或者资源不是很好的学习者来说确实很不错，你要是用得到的话都可以直接抱走，关注过我的人都知道，这些都是可以拿到的。

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，都欢迎扫码加入我们的的圈子（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！
[外链图片转存中…(img-fiqoyag2-1712936689962)]