基于dlib和opencv库的人脸识别

基于dlib和opencv库的人脸识别

需下载68个特征点的人脸检测模型：
http://dlib.net/files/
文件名为 shape_predictor_68_face_landmarks.dat

opencv包

img=cv2.imread(image)

功能：通过opev中的imread读取测试图片文件
参数：要读取的图片

img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)

功能：转换图片格式
参数：要转换的图片，转换的方式（这里是将BRG转换为RGB）
返回值：返回转换完成的图片

cv2.circle(img,center,radius,color,thickness)

功能：画一个圆
参数：要画圆的图片，图片中的圆心坐标，半径，颜色（color=(0,255,0)）,粗细（thickness=2 必须为整数）

camera=cv2.VideoCapture(0)

功能：调用摄像头

camera.set(cv2.CAP_PROP_FRAME_WIDTH, 1080)
camera.set(cv2.CAP_PROP_FRAME_HEIGHT, 768)

功能：设置画面长宽

ret,frame=camera.read()

功能：获取摄像头中的每一帧的画面
返回值：ret为布尔值，如果读取帧是正确的则返回True，反之返回False；frame为每一帧的图像

frame=cv2.flip(frame,1)

功能：将获取的画面水平翻转
返回值：返回翻转后的画面

dlib包

检测器：

detector=dlib.get_frontal_face_detector()

功能：人脸检测画框
返回值：返回一个默认的人脸检测器

faces=detector(img,0)

功能：对图像画人脸框
参数：图片
返回值：人脸检测框的四点坐标

预测器：

predictor=dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")

功能：标记人脸68个关键点
参数：保存的模型路径
返回值：68个人脸关键点的预测器

matplotlib包

plt.figure(figzise=(10,8))

功能：声明整个画布的大小
参数：大小（此处为长为10，宽为8）

pt.subplot(121)

功能：开始绘图
参数：代表在整个画布中，图片有1行2列，此时从第1列的图片开始绘制

plt.imshow(img)

功能：显示画布中的图片
参数：要显示的图片

plt.axis("off")

功能：结束绘图

plt.show()

功能：显示画布

图像识别代码

import cv2
import dlib
import matplotlib.pyplot as plt
import numpy as np


test_img="test.jpg"
#通过opev中的imread读取测试图片文件
img=cv2.imread(test_img)
#人脸检测画框，返回一个默认的人脸检测器
detector = dlib.get_frontal_face_detector()
#通过模型建立,返回一个标记68个人脸关键点的预测器
predictor_path="shape_predictor_68_face_landmarks.dat"
predictor = dlib.shape_predictor(predictor_path)

#对图像画人脸框，返回人脸检测矩形框4点坐标
faces=detector(img,0)

if len(faces):
    print("Found {0} faces".format(len(faces)))
    for i in range (len(faces)):
        landmarks = np.matrix([[p.x, p.y] for p in predictor(img, faces[i]).parts()])
        for point in landmarks:
            pos = (point[0, 0], point[0, 1])
            #给68个特征点都画一个圆
            cv2.circle(img, pos, 3, color=(0, 255, 0),thickness=1)
else:
    print("Face not found")

#opencv读取的图片是BRG通道的，需要转换成RGB
img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)

#表示figure的大小为宽为10，长为8
plt.figure(figsize=(10,8))
#12代表有图片有一行两列，1代表此时绘制第一个图
plt.subplot(121)
plt.imshow(plt.imread(test_img))
plt.axis("off")
#12代表有图片有一行两列，2代表此时绘制第二个图
plt.subplot(122)
plt.imshow(img)
plt.axis("off")
plt.show()

摄像头识别代码

import cv2
import dlib
import numpy as np

class FaceDetective():

    def __init__(self):
        # 人脸检测画框，返回一个默认的人脸检测器
        self.detector = dlib.get_frontal_face_detector()
        # 通过模型建立,返回一个标记68个人脸关键点的预测器
        self.predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")

    def identify(self,frame):
        # 对图像画人脸框，返回人脸检测矩形框4点坐标
        faces=self.detector(frame,0)
        if len(faces):
            print("Found {0} face".format(len(faces)))
            for i in range(len(faces)):
                landmarks = np.matrix([[p.x, p.y] for p in self.predictor(frame, faces[i]).parts()])
                for point in landmarks:
                    pos = (point[0, 0], point[0, 1])
                    cv2.circle(frame, pos, 3, color=(0, 0, 255), thickness=2)
        else:
            print("Face not found")
        return frame

    def run_camera(self):
        # 调用摄像头
        camera=cv2.VideoCapture(0)
        # 设置长宽
        camera.set(cv2.CAP_PROP_FRAME_WIDTH, 1080)
        camera.set(cv2.CAP_PROP_FRAME_HEIGHT, 768)
        while True:
            # 读取摄像头每帧的画面
            ret,frame=camera.read()
            if ret:
                # 水平翻转
                frame=cv2.flip(frame,1)
                # 对每帧的画面进行识别
                frame=self.identify(frame)
                cv2.imshow("CAM",frame)
                # 按q退出
                if cv2.waitKey(1) & 0xFF == ord('q'):
                    break
        camera.release()
        cv2.destroyAllWindows()


if __name__=='__main__':
    FaceDetective().run_camera()

之前尝试不使用类来写摄像头识别的代码，发现调用摄像头后的运行效率极低，原因可能是类的使用能够减少python内存的消耗。