先自我介绍一下,小编浙江大学毕业,去过华为、字节跳动等大厂,目前阿里P7
深知大多数程序员,想要提升技能,往往是自己摸索成长,但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年最新Python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。
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,涵盖了95%以上Python知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
如果你需要这些资料,可以添加V获取:vip1024c (备注Python)
正文
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)]
我们的visualize_facial_landmarks 函数需要两个参数,后跟两个可选参数,每个参数的详细信息如下:
image :我们将在其上绘制面部标志性可视化的图像。
shape : NumPy 数组,包含映射到不同面部部位的 68 个面部标志坐标。
colors :用于对每个面部标志区域进行颜色编码的 BGR 元组列表。
alpha :用于控制原始图像上叠加层的不透明度的参数。
我们现在准备通过面部标志来可视化每个单独的面部区域:
分别循环面部标志区域
for (i, name) in enumerate(FACIAL_LANDMARKS_IDXS.keys()):
获取与关联的 (x, y) 坐标
#人脸地标
(j, k) = FACIAL_LANDMARKS_IDXS[name]
pts = shape[j:k]
检查是否应该绘制下颌线
if name == “jaw”:
由于下颌线是一个非封闭的面部区域,
只在 (x, y) 坐标之间画线
for l in range(1, len(pts)):
ptA = tuple(pts[l - 1])
ptB = tuple(pts[l])
cv2.line(overlay, ptA, ptB, colors[i], 2)
否则,计算人脸的凸包
地标坐标点并显示
else:
hull = cv2.convexHull(pts)
cv2.drawContours(overlay, [hull], -1, colors[i], -1)
遍历 FACIAL_LANDMARKS_IDXS 字典中的每个条目。
对于这些区域中的每一个,我们提取给定面部部分的索引并从形状 NumPy 数组中获取 (x, y) 坐标。
检查是否正在绘制下颌,如果是,只需循环各个点,绘制一条将下颌点连接在一起的线。
否则,处理计算点的凸包并在叠加层上绘制包。
最后一步是通过 cv2.addWeighted 函数创建透明叠加层:
应用透明覆盖
cv2.addWeighted(overlay, alpha, output, 1 - alpha, 0, output)
return the output image
return output
将visualize_facial_landmarks 应用于图像和关联的面部标记后,输出将类似于下图:
使用 dlib、OpenCV 和 Python 提取部分人脸
=========================================================================================
新建一个文件,将其命名为 detect_face_parts.py ,并插入以下代码:
import the necessary packages
from imutils import face_utils
import numpy as np
import argparse
import imutils
import dlib
import cv2
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”)
ap.add_argument(“-i”, “–image”, required=True,
help=“path to input image”)
args = vars(ap.parse_args())
初始化dlib的人脸检测器(基于HOG)然后创建
面部标志预测器
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor(args[“shape_predictor”])
加载输入图像,调整大小,并将其转换为灰度
image = cv2.imread(args[“image”])
image = imutils.resize(image, width=500)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
在灰度图像中检测人脸
rects = detector(gray, 1)
导入我们需要的 Python 包。
解析我们的命令行参数。
实例化 dlib 的基于 HOG 的面部检测器并加载面部标志预测器。
加载和预处理我们的输入图像。
在我们的输入图像中检测人脸。
现在我们已经在图像中检测到人脸,我们可以单独循环每个人脸 ROI:
循环面部检测
for (i, rect) in enumerate(rects):
确定面部区域的面部标志,然后
将地标 (x, y) 坐标转换为 NumPy 数组
shape = predictor(gray, rect)
shape = face_utils.shape_to_np(shape)
单独循环面部部分
for (name, (i, j)) in face_utils.FACIAL_LANDMARKS_IDXS.items():
克隆原始图像,以便我们可以在其上绘制,然后
在图像上显示人脸部分的名称
clone = image.copy()
cv2.putText(clone, name, (10, 30), cv2.FONT_HERSHEY_SIMPLEX,
0.7, (0, 0, 255), 2)
循环面部标志的子集,绘制
特定的面部部分
for (x, y) in shape[i:j]:
cv2.circle(clone, (x, y), 1, (0, 0, 255), -1)
对于每个面部区域,确定 ROI 的面部标志,并将 68 个点转换为 NumPy 数组。
然后,对于每个面部部分,遍历它们。
绘制面部区域的名称/标签,然后将每个单独的面部标志绘制为圆圈。
要实际提取每个面部区域,只需要计算与特定区域关联的 (x, y) 坐标的边界框,并使用 NumPy 数组切片来提取它:
提取人脸区域的ROI作为单独的图像
(x, y, w, h) = cv2.boundingRect(np.array([shape[i:j]]))
roi = image[y:y + h, x:x + w]
roi = imutils.resize(roi, width=250, inter=cv2.INTER_CUBIC)
显示特定的人脸部分
cv2.imshow(“ROI”, roi)
cv2.imshow(“Image”, clone)
cv2.waitKey(0)
使用透明叠加可视化所有面部标志
output = face_utils.visualize_facial_landmarks(image, shape)
cv2.imshow(“Image”, output)
cv2.waitKey(0)
计算区域的边界框通过 cv2.boundingRect 处理。
使用 NumPy 数组切片,提取 ROI。
一、Python所有方向的学习路线
Python所有方向路线就是把Python常用的技术点做整理,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。
二、学习软件
工欲善其事必先利其器。学习Python常用的开发软件都在这里了,给大家节省了很多时间。
三、入门学习视频
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。
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。
需要这份系统化的资料的朋友,可以添加V获取:vip1024c (备注python)
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!
mage/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA56iL5bqP5aqb56eD56eD,size_20,color_FFFFFF,t_70,g_se,x_16#pic_center)
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。
需要这份系统化的资料的朋友,可以添加V获取:vip1024c (备注python)
[外链图片转存中…(img-o1Lx6WRj-1713058272697)]
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!