人脸检测进阶：使用 dlib、OpenCV 和 Python 检测眼睛、鼻子、嘴唇和下巴等面部五官

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！