使用Python，dlib中新型、更快、更小的5点面部标志检测器检测人脸、眼睛、鼻子

已于 2022-04-05 17:32:09 修改
阅读量2.4k 收藏 10
点赞数
分类专栏： Python OpenCV 人脸识别 图像处理 文章标签： python 人脸识别 计算机视觉 人工智能 面部标志识别
于 2020-10-31 08:30:29 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40985985/article/details/109310323
版权
人脸识别 同时被 3 个专栏收录
19 篇文章 106 订阅 ¥9.90 ¥99.00
订阅专栏 超级会员免费看
Python OpenCV
261 篇文章 93 订阅
订阅专栏
图像处理
236 篇文章 43 订阅
订阅专栏

这篇博客将介绍一个新的dlib面部标志检测器——5点人脸标志模型，它比原始版本更快（提高了8-10％），效率更高，模型更小（降低了10倍）。

该5点面部标志检测器被认为是最初随dlib库一起分发的68点标志检测器的直接替代品。

5点面部标志检测器

1. 5点与68点面部标志检测器效果对比

68点面部标志检测器把面部分为眉毛、眼睛、鼻子、嘴巴、下颌五部分；
5点面部标志检测器将面部分为5个点，左眼2点、右眼2点、鼻子1点；

68点面部标志检测器（模型【99.7M】）
5点面部标志检测器&#x
了解本专栏 订阅专栏 解锁全文 超级会员免费看
程序媛一枚~
关注
  • 0
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
人工智能-Dlib+Python实现人脸识别（人脸识别篇）
人工智能研究所的博客
07-30 307
对比人脸数据与数据库中的人脸数据，得到人脸的名字，对比人脸数据使用的是欧拉公式，数据中没有的人脸数据，我们定义为unknown。使用dlib68点特征检测数据，把照片中的人脸数据提取出来，当然也可以直接使用face_descriptor的数据。为了演示，把2张照片的人脸数据保存到一个list中，另一个list中一一对应人脸数据的名字。OK，本期的人脸识别只是一个介绍示例，人脸数据的提取直接使用dlib的68点特征数据。打开本地的2照片，一张是小编自己的，一张是封面美女照片。
python dlib 训练人脸特征点检测器
11-12
python dlib库，训练人脸的68个特征点检测器。包含数据集，源码。详细可以参考我的博客：http://blog.csdn.net/hongbin_xu/article/details/78511923
使用Python Dlib检测识别面部特征
最新发布
第欧根尼的酒桶的博客
03-01 910
OpenCV和DLib是功能强大的库，可以简化ML和计算机视觉的工作。今天，我们只是触及了一些基础知识，之后，如果感兴趣的话，可以开展更加深入的学习。
学习Python3 Dlib19.7进行人脸面部识别
12-24
0.引言 自己在下载dlib官网给的example代码时，一开始不知道怎么使用，在一番摸索之后弄明白怎么使用了； 现分享下 face_detector.py 和 face_landmark_detection.py 这两个py的使用方法； 1.简介 python:　　3.6.3 dlib:　　　 19.7 利用dlib的特征提取器，进行人脸 矩形框 的特征提取：　　 dets = dlib.get_frontal_face_detector(img) 利用dlib的68点特征预测器，进行人脸 68点 特征提取： predictor = dlib.shape_predictor("sha
基于dlib库人脸表面特征的疲劳检测python源码+GUI界面+使用说明(毕设源码).zip
06-16
【资源说明】 1、该项目是个人毕设项目源码，评审分达到95分，都经过严格调试，确保可以运行！放心下载使用。 该项目资源主要针对计算机、自动化等相关专业的学生或从业者下载使用，也可作为期末课程设计、课程大作业、毕业设计等。 2、具有较高的学习借鉴价值！基础能力强的可以在此基础上修改调整，以实现类似其他功能。 基于人脸表面特征的疲劳检测，主要分为三个部分，打哈欠、眨眼、点头。本实验从人脸朝向、位置、瞳孔朝向、眼睛开合度、眨眼频率、瞳孔收缩率等数据入手，并通过这些数据，实时地计算出驾驶员的注意力集中程度，分析驾驶员是否疲劳驾驶和及时作出安全提示。 视觉疲劳检测原理：因为人在疲倦时大概会产生两种状态： 眨眼：正常人的眼睛每分钟大约要眨动10-15次，每次眨眼大概0.2-0.4秒，如果疲倦时眨眼次数会增多，速度也会变慢。打哈欠：此时嘴会长大而且会保持一定的状态。因此检测人是否疲劳可以从眼睛的开合度，眨眼频率，以及嘴巴张合程度来判断一个人是否疲劳。 检测工具 dlib ：一个很经典的用于图像处理的开源库，shape_predictor_68_face_landmarks.dat是一个用于人脸68个关键点检测的dat模型库，使用这个模型库可以很方便地进行人脸检测，并进行简单的应用。 眨眼计算原理： （1） 计算眼睛的宽高比 基本原理：计算 眼睛长宽比 Eye Aspect Ratio，EAR.当人眼睁开时，EAR在某个值上下波动，当人眼闭合时，EAR迅速下降，理论上会接近于零，当时人脸检测模型还没有这么精确。所以我们认为当EAR低于某个阈值时，眼睛处于闭合状态。为检测眨眼次数，需要设置同一次眨眼的连续帧数。眨眼速度比较快，一般1~3帧就完成了眨眼动作。两个阈值都要根据实际情况设置。 （2）当前帧两双眼睛宽高比与前一帧的差值的绝对值（EAR）大于0.2，则认为是疲劳 代码思路 第一步：使用dlib.get_frontal_face_detector() 获得脸部位置检测器 第二步：使用dlib.shape_predictor获得脸部特征位置检测器 第三步：分别获取左右眼面部标志的索引 第四步：打开cv2 本地摄像头 第五步：从视频流进行循环，读取图片，并对图片做维度扩大，并进灰度化 第六步：使用detector(gray, 0) 进行脸部位置检测 第七步：循环脸部位置信息，使用predictor(gray, rect)获得脸部特征位置的信息 第八步：将脸部特征信息转换为数组array的格式 第九步：提取左眼和右眼坐标 第十步：构造函数计算左右眼的EAR值，使用平均值作为最终的EAR 第十一步：使用cv2.convexHull获得凸包位置，使用drawContours画出轮廓位置进行画图操作 第十二步：进行画图操作，用矩形框标注人脸 第十三步：分别计算左眼和右眼的评分求平均作为最终的评分，如果小于阈值，则加1，如果连续3次都小于阈值，则表示进行了一次眨眼活动 第十四步：进行画图操作，68个特征点标识 第十五步：进行画图操作，同时使用cv2.putText将眨眼次数进行显示 第十六步：统计总眨眼次数大于50次屏幕显示睡着。
dlib 5点标注 shape-predictor-5-face-landmarks
05-14
我们知道，dlib的人脸标注通常是68点的； 当然有些场合5点也够用了，这个是5点标注版本。
5点和68点人脸识别模型shape-predictor-68-face-landmarks.dat及使用说明
01-31
shape_predictor_68_face_landmarks.dat 是一个预训练的人脸特征点检测模型，用于在人脸图像中定位和识别 68 个关键点。这些关键点涵盖了人脸的各个部位，如眼睛、鼻子、嘴巴、脸颊等。该模型基于一种机器学习技术，即对许多人脸图像进行训练，以学习人脸关键点的特征。使用该模型，可以在计算机视觉应用中自动定位和识别人脸关键点，从而实现人脸识别、人脸对齐、表情识别等功能。可以在 Python、C++ 等多种语言中使用。 在使用说明中，给出了c++版及python版本的调用说明代码： # 加载人脸关键点检测模型 predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat") # 加载人脸检测器 detector = dlib.get_frontal_face_detector()
基于Dlib训练自已的人脸数据集提高人脸识别的准确率
金戈鐡馬
09-29 1122
由于图像的质量、光线、角度等因素影响。这时如果使用官方提供的模型做人脸识别，就会导至识别率不是很理想。人脸识别的准确率与图像的清晰度和质量有关。如果图像模糊、光线不足或者有其他干扰因素，Dlib 可能无法正确地识别人脸。为了确保图像质量良好，可以使用更清晰的图像、改善光照条件或使用图像增强技术来提高图像质量。但这些并不是本篇章要讲述的内容。那么除去图像质量和光线不足等因素，如何解决准确率的问题呢？答案就是需要自已收集人脸并进行训练自已的识别模型。
人脸检测进阶：更快的5点面部标志检测器
AI浩
12-06 3126
人脸检测进阶：更快的5点面部标志检测器 今天在这里的目标是向您介绍新的 dlib 面部标志检测器，它比原始版本更快（提高 8-10%）、更高效、更小（10 倍）。 在这篇博文的第一部分，我们将讨论 dlib 的新的、更快、更小的 5 点面部标志检测器，并将其与随库分发的原始 68 点面部标志检测器进行比较。 然后我们将使用 Python、dlib 和 OpenCV 实现面部标志检测，然后运行它并查看结果。 最后，我们将讨论使用 5 点面部标志检测器的一些限制，并重点介绍一些您应该使用 5 点版本的 68 点
Dlib库人脸关键点检测
qq_29541895的博客
10-09 1244
在很多场景下，我们要观察人物是否眨眼，很大概率可以根据上下眼皮是否闭合，以此来判断。 那么如果能把人脸打上关键点，是否就可以确认他的一些动作，例如，微笑，眨眼，愤怒。甚至三维人脸重建 那么本章节讲解如何在图片检测到人脸，并绘制出人脸关键点
一种基于 dlib 的脸部标记检测器
soih0718的博客
04-26 539
原文详见：https://www.pyimagesearch.com/2018/04/02/faster-facial-landmark-detector-with-dlib/ by Adrian Rosebrock on April 2, 2018 Translate by: Soih 个人兴趣翻译，请勿传播！ Please DO NOT distribute. 2017年9月，Davis King 发布了 dlib v19.7，在发布说明中，有一段关于脸部5点标记检测器的简短且不起眼的说明： 新增.
python dlib人脸识别代码实例
01-21
本文实例为大家分享了python dlib人脸识别的具体代码，供大家参考，具体内容如下 import matplotlib.pyplot as plt import dlib import numpy as np import glob import re #正脸检测器 detector=dlib.get_frontal_face_detector() #脸部关键形态检测器 sp=dlib.shape_predictor(rD:\LB\JAVASCRIPT\shape_predictor_68_face_landmarks.dat) #人脸识别模型 facerec = dlib.fac
如何用 OpenCV 在 Python 中实现人脸检测
01-07
本教程将介绍如何使用 OpenCV 和 Dlib 在 Python 中创建和运行人脸检测算法。同时还将添加一些功能，以同时检测多个面部的眼睛和嘴巴。本文介绍了人脸检测的最基本实现，包括级联分类器、HOG 窗口和深度学习 CNN。 ...
【Dlib人脸特征提取】2. 检测、绘制人脸特征点
普罗米修斯的博客
06-05 1万+
【 1. 人脸特征点含义 】 在我们检测到人脸区域之后，接下来要研究的问题是获取到不同的脸部的特征，以区分不同人脸，即人脸特征检测(facial feature detection)。它也被称为人脸特征点检测(facial landmark detection)。 人脸特征点通常会标识出脸部的下列数个区域： 右眼眉毛(Right eyebrow) 左眼眉毛(Left eyebrow) 右眼(Right eye) 左眼(Left eye) 嘴巴(Mouth) 鼻子(Nose) 下巴(Jaw) 【 2.
计算机视觉：使用dlib实现人脸检测
十年以上架构设计经验，专注于软件架构和人工智能领域，对机器视觉、NLP、音视频等领域都有涉猎
11-29 1726
Dlib库在人脸检测领域的应用是其最引人注目的功能之一。它提供了一套强大的人脸检测和识别工具，使得从复杂背景中准确地检测和识别人脸成为可能。
python dlib opencv人脸识别准确度_Dlib+OpenCV深度学习人脸识别
weixin_39581945的博客
12-11 1726
Dlib+OpenCV深度学习人脸识别前言人脸识别在LWF(Labeled Faces in the Wild)数据集上人脸识别率现在已经99.7%以上，这个识别率确实非常高了，但是真实的环境中的准确率有多少呢？我没有这方面的数据，但是可以确信的是真实环境中的识别率并没有那么乐观。现在虽然有一些商业应用如员工人脸识别管理系统、海关身份验证系统、甚至是银行人脸识别功能，但是我们可以仔细想想员工人脸识...
Python利用Dlib实现人脸检测和识别
wolf1105的博客
06-05 4002
引言 利用 Python 开发，借助 Dlib 库捕获摄像头中的人脸，提取人脸特征，通过计算特征值之间的欧氏距离，来和预存的人脸特征进行对比，判断是否匹配，达到人脸识别的目的； 可以从摄像头中抠取人脸图片存储到本地，然后提取构建预设人脸特征；根据抠取的已有的同一个人多张人脸图片提取 128D 特征值，然后计算该人的 128D 特征均值； 然后和摄像头中实时获取到的人脸提取出的特征值，计算欧氏距离，...
【Dlib人脸识别】1. Dlib人脸检测的基本原理
热门推荐
普罗米修斯的博客
06-06 2万+
Dlib中，人脸识别的基本思路为： 计算已知图片中所有人脸对应的特征向量； 计算要识别的未知图片中所有人脸对应的特征向量； 计算人脸之间的欧式距离； 如果两张人脸之间的欧式距离小于设定的阈值，则认为是同一个人，否则认为不是同一个人 【 1. 计算特征向量 】 在人脸特征点检测中，我们学会了如何获取人脸的特征点。但是特征点只是用于标识人脸关键点的坐标而已，如果想要实现人脸识别，那么必须将特征点转换为特征向量。 1. 加载人脸识别模型 链接：dlib_face_recognition_resnet_mo.
请问如何在python中使用Dlib实现人脸关键点检测
07-14
在Python中使用Dlib库实现人脸关键点检测的步骤如下： 1. 确保已经安装了Dlib库，可以使用以下命令进行安装： ``` pip install dlib ``` 2. 导入必要的库： ```python import dlib import cv2 ``` 3. 加载Dlib的人脸检测器和关键点检测器模型： ```python detector = dlib.get_frontal_face_detector() predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat") ``` 需要注意的是，下载并使用`shape_predictor_68_face_landmarks.dat`模型，该模型可以从Dlib官方网站获取。 4. 读取图像并进行灰度化处理： ```python image = cv2.imread("image.jpg") gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) ``` 5. 使用人脸检测器检测图像中的人脸： ```python faces = detector(gray) ``` 6. 遍历检测到的人脸，并使用关键点检测器检测人脸关键点： ```python for face in faces: landmarks = predictor(gray, face) # 遍历关键点，并在图像上绘制出来 for n in range(0, 68): x = landmarks.part(n).x y = landmarks.part(n).y cv2.circle(image, (x, y), 2, (0, 255, 0), -1) ``` 7. 显示绘制了关键点的图像： ```python cv2.imshow("Facial Landmarks", image) cv2.waitKey(0) ``` 这样，你就可以使用Dlib库实现人脸关键点检测了。请注意，你需要替换`image.jpg`为你自己的图像文件路径，并且确保已经下载了正确的关键点检测器模型。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

程序媛一枚~

您的鼓励是我创作的最大动力。

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值