CelebA 数据集图像裁剪

CalebA人脸数据集（官网链接）是香港中文大学的开放数据，包含10,177个名人身份的202,599张人脸图片，并且都做好了特征标记，这对人脸相关的训练是非常好用的数据集。

每张图片都有标注人脸的属性。

但是在某些时候，我们只需要提取人脸所在位置的图像，数据集中给出了人脸的五个关键点坐标的标注信息以及人脸bbox标注信息，根据这些信息，可以对数据集进行处理，产生新的只包含人脸的数据集。

下面是处理数据集的代码：

# encoding:utf-8

import cv2
import numpy as np
import os
import sys
from tqdm import tqdm

# 要处理的图片路径
img_path = 'img_celeba/'
# 新图片存储路径
new_img_path = 'CelebA_img/'
# 人脸landmark标注文件地址
landmark_anno_file_path = 'Anno/list_landmarks_celeba.txt'
# 人脸bbox标注文件地址
face_boundingbox_anno_file_path = 'Anno/list_bbox_celeba.txt'
# 新的人脸landmark标注文件地址
new_landmark_anno_file_path = 'Anno/new_list_landmarks_celeba.txt'

# 新图片的高度及宽度
new_h = 256
new_w = 256

if not os.path.exists(img_path):
    print("image path not exist.")
    exit(-1)

if not os.path.exists(landmark_anno_file_path):
    print("landmark_anno_file not exist.")
    exit(-1)

if not os.path.exists(face_boundingbox_anno_file_path):
    print("face_boundingbox_anno_file not exist.")
    exit(-1)

if not os.path.exists(new_img_path):
    os.makedirs(new_img_path)
else:
    os.sys('rm -rf %s/*'%new_img_path)

# 加载文件
landmark_anno_file = open(landmark_anno_file_path, 'r')
face_boundingbox_anno_file = open(face_boundingbox_anno_file_path, 'r')
new_landmark_anno_file = open(new_landmark_anno_file_path, 'w')
landmark_anno = landmark_anno_file.readlines()
face_bbox = face_boundingbox_anno_file.readlines()
for i in tqdm(range(2, len(landmark_anno))):
    landmark_split = landmark_anno[i].split()
    face_bbox_split = face_bbox[i].split()
    filename = landmark_split[0]
    if filename != face_bbox_split[0]:
        print(filename, face_bbox_split[0])
        break
    landmark = []
    face = []
    for j in range(1, len(landmark_split)):
        landmark.append(int(landmark_split[j]))
    for j in range(1, len(face_bbox_split)):
        face.append(int(face_bbox_split[j]))
    landmark = np.array(landmark)
    landmarks= np.resize(landmark, (5, 2))
    face = np.array(face)
    
    try:
        path = os.path.join(img_path, filename)
        new_path = os.path.join(new_img_path, filename)
        if not os.path.exists(path):
            print(path, 'not exist')
            continue
        img = cv2.imread(path)

        # 裁剪图像
        newImg = img[face[1]:face[3]+face[1], face[0]:face[2]+face[0]]

        # 重新计算新的landmark坐标并存储
        new_landmark_str = ""
        new_landmark_str += filename+'\t'
        for landmark in landmarks:
            landmark[0] -= face[0]
            landmark[1] -= face[1]
            landmark[0] = round(landmark[0]*(new_w*1.0/newImg.shape[1]))
            landmark[1] = round(landmark[1]*(new_h*1.0/newImg.shape[0]))
            new_landmark_str += str(landmark[0])+'\t'+str(landmark[1])+'\t'
        new_landmark_str += '\n'
        new_landmark_anno_file.write(new_landmark_str)
        new_landmark_anno_file.flush()
        resizeImg = cv2.resize(newImg, (new_h, new_w))
        # 存储新图片
        cv2.imwrite(new_path, resizeImg)
    except:
        print("filename:%s process failed"%(filename))

landmark_anno_file.close()
face_boundingbox_anno_file.close()
new_landmark_anno_file.close()

---

2019.05.09更新
上面代码是根据数据集中标注的人脸bbox信息进行重新裁剪人脸图像，并重新计算新的人脸landmark信息。处理结束后数据landmark信息有一些问题，发现是bbox部分数据存在问题，上述代码仅供参考。
建议思路：
人脸关键点信息基本没错误，可以根据人脸关键点计算出需要的人脸框，再进行相应的resize获得自己需要的图片数据。