人脸关键点数据集 300W 数据整理

最新推荐文章于 2025-02-20 20:00:14 发布
风吹过得夏天
最新推荐文章于 2025-02-20 20:00:14 发布
阅读量4.7k
点赞数 2
分类专栏： python 文章标签： python
本文链接：https://blog.csdn.net/u011385476/article/details/105641591
版权
python 专栏收录该内容
12 篇文章
订阅专栏
                    
                        
                    
                    人脸关键点数据集 300W 数据整理 
由于300W 数据集里面的图片尺寸大小不一，而且关键点数据为 .pts 文件，这些使得进行神经网络学习的时候，数据集必须经过一定的处理，才能使用。
现在，我将使用 python 程序，将里面的图片尺寸全都转化为 500 * 500，同时读取并修改 .pts 文件的人脸关键点数据，最后将图片数据和人脸关键点数据保存为 numpy.ndarray 类型。
 
一. 导入模块 
本次程序所使用的模块有：re, os, numpy, cv2, matplotlibimport re
import os
import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
 
 
二. 获得 300W 目录下所有的文件 
获得 300W 目录下所有的文件# 注意文件目录
file_path_indoor = "E:/300W/300W/01_Indoor/"
file_path_outdoor = "E:/300W/300W/02_Outdoor/"
# os.listdir() 可以获得指定的文件夹包含的文件或文件夹的名字的列表
indoor_file = os.listdir(file_path_indoor)
outdoor_file = os.listdir(file_path_outdoor)
print(indoor_file[0:10], "\n", outdoor_file[0:10])   # 打印 "G:/300W/01_Indoor/" 以及 "G:/300W/02_Outdoor/" 各 10 个文件
 
运行结果：['indoor_001.png', 'indoor_001.pts', 'indoor_002.png', 'indoor_002.pts', 'indoor_003.png', 'indoor_003.pts', 'indoor_004.png', 'indoor_004.pts', 'indoor_005.png', 'indoor_005.pts'] 
['outdoor_001.png', 'outdoor_001.pts', 'outdoor_002.png', 'outdoor_002.pts', 'outdoor_003.png', 'outdoor_003.pts', 'outdoor_004.png', 'outdoor_004.pts', 'outdoor_005.png', 'outdoor_005.pts']
 
 
三. 建立相应 ndarray 数组来保存数据 
要保存的数据有，人脸图片数据，人脸关键关数据，图片的缩放比例等。image_size_h, image_size_w = 500, 500                                      # 用来保存图片的尺寸
files_num = int(len(indoor_file)/2) + int(len(outdoor_file)/2)            # 用来保存所有的图片数量
facial_keypoints = np.zeros([files_num, 68*2], dtype=np.float64)          # 用来保存人脸关键点数据
facial_image = np.zeros([files_num, image_size_h, image_size_w, 3], dtype=np.uint8)            # 用来保存人脸图片数据          
image_scale = np.zeros([files_num, 2], dtype=np.float64)                  # 用来保存图片的缩放比
 
 
四. 读取图片数据以及人脸关键点数据 
主要通过 正则表达式 来获得 .pts 文件名，然后进行数据获取count = 0   # 用来计数

# 读取 "G:/300W/01_Indoor/" 里面的图片和人脸关键点数据
for i in indoor_file:
    ret = re.match(r"(.\w+)\.pts", i)    # 使用正则表达式读取 .pts 文件
    if ret:
        # 读取 pts 点
        pts_file = file_path_indoor  + i
        with open(pts_file, "r") as f:
            pts_str = f.read()
        # 读取当中的关键点数据
        key_point = re.findall(r"\d+\.\d+", pts_str)
        # 将列表中的字符串转化为数字
        key_point = [float(x) for x in key_point]
        # 添加到 facial_keypoints
        facial_keypoints[count] = key_point
        
        # 读取图片文件
        image_file = file_path_indoor + ret.group(1) + ".png"
        # 打开图片
        image = cv.imread(image_file, cv.IMREAD_COLOR)
        # 获取图片长和宽
        image_h, image_w = image.shape[:2]
        # 改变图片尺寸
        image = cv.resize(image, (image_size_h, image_size_w))
        # 得到缩放比
        image_scale[count] = [image_h/image_size_h, image_w/image_size_w]
        # 添加到 facial_image
        facial_image[count] = image
        
        count += 1

# 读取 "G:/300W/01_Outdoor/" 里面的图片和人脸关键点数据
for i in outdoor_file:
    ret = re.match(r"(.\w+)\.pts", i)
    if ret:
        # 读取 pts 点
        pts_file = file_path_outdoor  + i
        with open(pts_file, "r") as f:
            pts_str = f.read()
        # 读取当中的关键点数据
        key_point = re.findall(r"\d+\.\d+", pts_str)
        # 将列表中的字符串转化为数字
        key_point = [float(x) for x in key_point]
        # 添加到 facial_keypoints
        facial_keypoints[count] = key_point
        
        # 读取图片文件
        image_file = file_path_outdoor + ret.group(1) + ".png"
        # 打开图片
        image = cv.imread(image_file, cv.IMREAD_COLOR)
        # 获取图片长和宽
        image_h, image_w = image.shape[:2]
        # 改变图片尺寸
        image = cv.resize(image, (image_size_h, image_size_w))
        # 得到缩放比
        image_scale[count] = [image_h/image_size_h, image_w/image_size_w]
        # 添加到 facial_image
        facial_image[count] = image
        
        count += 1
 
 
五. 对人脸关键点数据进行缩放 
由于我们改变了图片的尺寸那么，我们也要对人脸关键点数据进行缩放count = 0  # 用来计数

for i in image_scale:
    facial_keypoint = facial_keypoints[count]        # 获取单个人脸关键点数据
    facial_keypoint[::2] = facial_keypoint[::2] / i[1] # 对人脸关键点数据的宽进行缩放
    facial_keypoint[1::2] = facial_keypoint[1::2] / i[0] # 对人脸关键点数据的长进行缩放
    count += 1
 
 
六. 效果查看 
目前，我们的数据处理已经全部完成了，接下来，使用 matplotlib 来看一下效果for j in range(10):    # 总共展示十张图片
    image = facial_image[j]    # 获取图片数据
    image = cv.cvtColor(image, cv.COLOR_BGR2RGB)   # 由于 matplotlib 支持的是 rgb 色彩空间，所以我们需要将 bgr 转化为 rgb
    for i in range(0, 68):
        cv.circle(image, (int(facial_keypoints[j, 2*i]), int(facial_keypoints[j, 2*i+1])), 5, (255, 0, 0), -1)   # 进行打点
    plt.subplot(2, 5, j+1)
    plt.imshow(image)
plt.show()
 
运行结果：
 
 
六. 保存数据与载入 
获取数据之后，我们就可以对这些 ndarray 数组进行保存了。np.save("./facial_image.npy", facial_image)
np.save("./facial_keypoints.npy", facial_keypoints)
 
使用 np.save() 保存的数据，我们可以通过 np.load() 来载入。facial_image = np.load(r"./facial_image.npy")
facial_keypoints = np.load(r"./facial_keypoints.npy")
 
 
七. 结语 
如果文中有写的不对的地方，请大家指正。联系方式：lwl510ll@163.com
本文到这就结束了，最后感谢大家的观看。

                