人脸检测进阶：更快的5点面部标志检测器，2024年阿里Python面试题精选

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

​ 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。

现在是有趣的部分。 为了可视化标记，我们将使用 cv2.circle 绘制小点并对每个坐标进行编号。

遍历标记坐标。 然后我们在原始帧上绘制一个小的实心圆圈以及标记编号。

让我们完成我们的面部标记脚本：

show the frame

cv2.imshow(“Frame”, frame)

key = cv2.waitKey(1) & 0xFF

if the q key was pressed, break from the loop

if key == ord(“q”):

break

do a bit of cleanup

cv2.destroyAllWindows()

vs.stop()

运行我们的面部标记检测器，执行命令

python fast_facial_landmarks.py --shape-predictor shape_predictor_5_face_landmarks.dat

dlib 的 5 点比68 点面部标志检测器更快吗？

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

在我自己的测试中，我发现 dlib 的 5 点面部标志检测器比原来的 68 点面部标志检测器快 8-10%。

8-10% 的加速是显着的； 然而，这里更重要的是模型的大小。

原来的68点人脸标记检测器将近100MB。

5 点面部标志检测器不到 10MB，只有 9.2MB——这是一个小 10 倍以上的模型！

当您构建自己的使用面部标志的应用程序时，您现在拥有一个小得多的模型文件，可以与应用程序的其余部分一起分发。

5 点面部标志检测器的局限性

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

对于面部对齐，可以将 5 点面部标志检测器视为 68 点检测器的直接替代品——适用相同的通用算法：

计算 5 点面部标志

分别根据每只眼睛的两个界标计算每只眼睛的中心

利用眼睛之间的中点计算眼睛质心之间的角度

通过应用仿射变换获得人脸的规范对齐

虽然 68 点面部标志检测器可能会为我们提供更好的眼睛中心近似值，但在实践中您会发现 5 点面部标志检测器也能正常工作。

5 点面部标志检测器肯定更小（分别为 9.2MB 和 99.7MB），但它不能在所有情况下使用。比如睡意检测时，我们需要计算眼睛纵横比 (EAR)，它是眼睛界标宽度与眼睛界标高度的比率。

当使用 68 点面部标志检测器时，我们每只眼睛有六个点，使我们能够执行此计算。

然而，使用 5 点面部标志检测器，我们每只眼睛只有两个点——这不足以计算眼睛纵横比。

如果您的计划是构建一个睡意检测器或任何其他需要面部更多点的应用程序，包括沿以下方向的面部标志：

眼睛

眉毛

鼻子

嘴

下颌线

总结

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

在今天的博客文章中，我们讨论了 dlib 新的、更快、更紧凑的 5 点面部标志检测器。

这个 5 点面部标志检测器可以被认为是最初与 dlib 库一起分发的 68 点标志检测器的替代品。

在讨论了两个面部标志检测器之间的差异后，我提供了一个应用 5 点版本来检测我面部的眼睛和鼻子区域的示例脚本。
在我的测试中，我发现 5 点面部标志检测器比 68 点版本快 8-10%，同时小 10 倍。

如果你也是看准了Python，想自学Python，在这里为大家准备了丰厚的免费学习大礼包，带大家一起学习，给大家剖析Python兼职、就业行情前景的这些事儿。

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、全套PDF电子书

书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。

四、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。

四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

五、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

成为一个Python程序员专家或许需要花费数年时间，但是打下坚实的基础只要几周就可以，如果你按照我提供的学习路线以及资料有意识地去实践，你就有很大可能成功！
最后祝你好运！！！

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！
82296f86381401c05e862fe4e9.png)

成为一个Python程序员专家或许需要花费数年时间，但是打下坚实的基础只要几周就可以，如果你按照我提供的学习路线以及资料有意识地去实践，你就有很大可能成功！
最后祝你好运！！！

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-bnH2tmDv-1713450680133)]

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！