使用dlib库进行轮廓绘制

---

前言

dlib 库的轮廓绘制功能，主要基于其强大的图像处理和机器学习算法。在进行轮廓绘制前，往往需要先通过相关算法对图像中的目标物体进行检测和定位，确定目标区域。之后，dlib 会根据目标物体在图像中的像素分布和特征，准确提取出边界信息，进而实现轮廓绘制。

---

一、Dlib轮廓绘制

1、什么是轮廓绘制

在Dlib中，人脸识别的轮廓绘制是指通过检测人脸的关键点位置，使用直线或曲线连接这些关键点，从而绘制出人脸的轮廓线条。这些关键点通常包括眉毛、眼睛、鼻子、嘴巴等部位的位置。通过绘制人脸轮廓，可以对人脸进行更精确的分析和识别。

2、步骤

• 1）导入所需的库和模型
  使用Dlib库进行人脸识别，需要导入相应的库和模型文件。

• 2）加载人脸检测器
  使用Dlib提供的人脸检测器模型，加载并初始化人脸检测器。

• 3）读取图像
  将待处理的图像读取到内存中。

• 4）人脸检测
  使用人脸检测器对图像进行人脸检测，获取人脸的位置信息。

• 5）关键点定位
  使用Dlib提供的关键点检测器模型，对检测到的人脸进行关键点定位，即确定人脸的眼睛、鼻子、嘴巴等部位的位置。

• 6）绘制轮廓线条
  通过将关键点的位置连接起来，使用直线或曲线绘制出人脸的轮廓线条。

• 7）展示结果
  将绘制好的轮廓线条展示在图像上，并可将结果保存或显示出来。

二、案例实现

1、完整代码

import numpy as np
import dlib
import cv2
 
 
 
def drawLine(start,end):  # 将指定的点连接起来
    pts = shape[start:end]   # 索引遍历出来关键点的坐标
    for l in range(1,len(pts)):
        ptA = tuple(pts[l-1])   # 遍历第一个点开始
        ptB = tuple(pts[l])     # 遍历上一个点的后一个点
        cv2.line(image, ptA, ptB,(0,255,0),2)  # 将两个点连接起来
 
def drawConvexHull(start,end):
    # 将指定的点构成一个凸包，绘制成轮廓，一般眼睛、嘴使用凸包用来绘制
    Facial = shape[start:end + 1]   # 索引的方式获取关键点的坐标
    mouthHull = cv2.convexHull(Facial)  # 凸包函数，用于计算二维点集的凸包，凸包是覆盖所有点的最小凸多边形，返回凸包的点集，或者叫二维顶点
    cv2.drawContours(image,[mouthHull], -1,(0, 255, 0),  2)  # 绘制检测到的凸包轮廓，-1表示绘制所有轮廓
 
 
image = cv2.imread("people2.png")   # 读取图片
detector = dlib.get_frontal_face_detector()  # 构造脸部位置检测器
faces = detector(image,0)  # 检测人脸。返回检测到的人脸
# 读取人脸关键点定位模型
predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")
for face in faces:  # 遍历检测到人脸
    shape = predictor(image,face)  # 调用关键点检测器，获取人脸的关键点
    # 将关键点转换为坐标(x,y)的形式
    shape = np.array([[p.x,p.y] for p in shape.parts()])  # 获取每个人脸的关键点坐标
    drawConvexHull(36,41)   # 绘制右眼凸包，因为眼睛的关键点索引为36-41，凸包是覆盖所有点的最小凸多边形
    drawConvexHull(48, 59)  # 绘制左眼凸包
    drawConvexHull(48,59)   # 绘制嘴外部凸包
    drawConvexHull(60, 67)   # 绘制嘴内部凸包
 
    drawLine(0,17)   # 绘制脸颊点线，将脸上的点都连接起来
    drawLine(17, 22)
    drawLine(22, 27)
    drawLine(27, 36)
cv2.imshow("Frame",image)
cv2.waitKey()
cv2.destroyAllWindows()

在上述代码中：​

• 首先，加载 dlib 的人脸检测器和 68 个关键点的预测模型，这是后续操作的基础。​
• 然后，读取图像并将其转换为灰度图，以满足 dlib 算法的处理要求。​
• 接着，使用人脸检测器在灰度图上检测人脸，获取人脸区域。​
• 针对每个检测到的人脸，利用关键点预测模型获取关键点坐标。​
• 从关键点中提取脸部轮廓对应的关键点，将其整理成适合cv2.drawContours函数处理的格式。​
• 最后，使用 OpenCV 的cv2.drawContours函数在原始图像上绘制出脸部轮廓。

运行结果：

2、实时摄像头或视频检测

def drawLine(start,end):#将指定的点连接起水
    pts = shape[start:end]  #获取点集
    for l in range(1,len(pts)):
        ptA = tuple(pts[l-1])
        ptB = tuple(pts[l])
        cv2.line(image, ptA, ptB,(0,255,0),2)
 
def drawConvexHull(start,end):
    # 将指定的点构成一个凸包，绘制成轮廓，一般眼睛、嘴使用凸包用来绘制
    Facial = shape[start:end + 1]
    mouthHull = cv2.convexHull(Facial)  # 凸包函数
    cv2.drawContours(image,[mouthHull], -1,(0, 255, 0),  2)
 
cap = cv2.VideoCapture("笑容.mp4")
if not cap.isOpened():   # 如果打开失败
    print("Cannot open camera")
    exit()  # 终止程序
 
detector = dlib.get_frontal_face_detector()  # 构造脸部位置检测器
predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")
 
 
while True:
    ret, image = cap.read()
    faces = detector(image,0)  # 检测人险方位置
    # 读取入脸关键点定位模型
    for face in faces:# 对检测到的rects，还个遍历
        shape = predictor(image,face)# 获取关键点
        # 将关键点转换为坐标(x,y)的形式
        shape = np.array([[p.x,p.y] for p in shape.parts()])
        drawConvexHull(36,41)   # 绘制右眼凸包
        drawConvexHull(48, 59)  # 绘制左眼凸包
        drawConvexHull(48,59)   # 绘制嘴外部凸包
        drawConvexHull(60, 67)   # 绘制嘴内部凸包
 
        drawLine(0,17)   # 绘制脸颊点线
        drawLine(17, 22)
        drawLine(22, 27)
        drawLine(27, 36)
    cv2.imshow("Frame",image)
 
    k = cv2.waitKey(20)  # 每一帧画面执行20毫秒
    if k == 27:  # 如果键盘点击esc键，终止循环
        break
cv2.destroyAllWindows()

三、dlib 轮廓绘制的应用场景​

• 医学影像分析：在 X 光、CT 等医学影像中，通过轮廓绘制可以清晰勾勒出病变组织、器官的边界，辅助医生进行病情诊断和治疗方案制定。​
• 工业检测：在工业生产中，对产品进行轮廓绘制，能够快速检测产品的形状、尺寸是否符合标准，及时发现产品缺陷，提高产品质量和生产效率。​
• 自动驾驶：在自动驾驶系统中，通过绘制道路边界、车辆、行人等物体的轮廓，帮助车辆感知周围环境，实现精准的导航和避障。​
  艺术创作与图像处理：在图像编辑软件中，利用轮廓绘制功能可以实现图像分割、特效添加等创意操作，为艺术创作提供更多可能性。

总结

通过学习和实践，我们可以利用 dlib 库高效地完成图像轮廓绘制任务，为计算机视觉相关的应用开发提供有力支持。