你好,游客 登录 注册 搜索
背景:
阅读新闻

50行Python代码实现人脸检测

[日期:2018-05-21] 来源:  作者: [字体: ]

 

50行Python代码实现人脸检测

现在的人脸识别技术已经得到了非常广泛的应用,支付领域、身份验证、美颜相机里都有它的应用。用iPhone的同学们应该对下面的功能比较熟悉。这篇文章主要介绍怎样用Python实现人脸检测。人脸检测是人脸识别的基础。人脸检测的目的是识别出照片里的人脸并定位面部特征点,人脸识别是在人脸检测的基础上进一步告诉你这个人是谁。

作者:强哥来源:Python中文社区|2018-01-23 09:17

人工智能+区块链的发展趋势及应用调研报告

 

50行Python代码实现人脸检测

现在的人脸识别技术已经得到了非常广泛的应用,支付领域、身份验证、美颜相机里都有它的应用。用iPhone的同学们应该对下面的功能比较熟悉

50行Python代码实现人脸检测

iPhone的照片中有一个“人物”的功能,能够将照片里的人脸识别出来并分类,背后的原理也是人脸识别技术。

这篇文章主要介绍怎样用Python实现人脸检测。人脸检测是人脸识别的基础。人脸检测的目的是识别出照片里的人脸并定位面部特征点,人脸识别是在人脸检测的基础上进一步告诉你这个人是谁。

好了,介绍就到这里。接下来,开始准备我们的环境。

准备工作

本文的人脸检测基于dlib,dlib依赖Boost和cmake,所以首先需要安装这些包,以Ubuntu为例:

  1. $ sudo apt-get install build-essential cmake 
  2.  
  3. $ sudo apt-get install libgtk-3-dev 
  4.  
  5. $ sudo apt-get install libboost-all-dev 

我们的程序中还用到numpy,opencv,所以也需要安装这些库:

  1. $ pip install numpy 
  2.  
  3. $ pip install scipy 
  4.  
  5. $ pip install opencv-python 
  6.  
  7. $ pip install dlib 

人脸检测基于事先训练好的模型数据,从这里可以下到模型数据

  1. http://dlib.net/files/shape_predictor_68_face_landmarks.dat.bz2 

下载到本地路径后解压,记下解压后的文件路径,程序中会用到。

dlib的人脸特征点

上面下载的模型数据是用来估计人脸上68个特征点(x, y)的坐标位置,这68个坐标点的位置如下图所示:

我们的程序将包含两个步骤:

第一步,在照片中检测人脸的区域

第二部,在检测到的人脸区域中,进一步检测器官(眼睛、鼻子、嘴巴、下巴、眉毛)

人脸检测代码

我们先来定义几个工具函数:

  1. def rect_to_bb(rect): 
  2.  
  3.     x = rect.left() 
  4.  
  5.     y = rect.top() 
  6.  
  7.     w = rect.right() - x 
  8.  
  9.     h = rect.bottom() - y     
  10.  
  11.    return (x, y, w, h) 

这个函数里的rect是dlib脸部区域检测的输出。这里将rect转换成一个序列,序列的内容是矩形区域的边界信息。

  1. def shape_to_np(shape, dtype="int"): 
  2.  
  3.     coords = np.zeros((68, 2), dtype=dtype)     
  4.  
  5.     for i in range(0, 68): 
  6.  
  7.             coords[i] = (shape.part(i).x, shape.part(i).y)     
  8.  
  9.    return coords 

这个函数里的shape是dlib脸部特征检测的输出,一个shape里包含了前面说到的脸部特征的68个点。这个函数将shape转换成Numpy array,为方便后续处理。

  1. def  resize(image, width=1200): 
  2.  
  3.     r = width * 1.0 / image.shape[1] 
  4.  
  5.     dim = (width, int(image.shape[0] * r)) 
  6.  
  7.     resized = cv2.resize(image, dim, interpolation=cv2.INTER_AREA)     
  8.  
  9.     return resized 

这个函数里的image就是我们要检测的图片。在人脸检测程序的最后,我们会显示检测的结果图片来验证,这里做resize是为了避免图片过大,超出屏幕范围。

接下来,开始我们的主程序部分

  1. import sys import numpy as np 
  2.  
  3. import dlib import cv2 
  4.  
  5. if len(sys.argv) < 2:     
  6.  
  7.     print "Usage: %s <image file>" % sys.argv[0] 
  8.  
  9.     sys.exit(1) 
  10.  
  11. image_file = sys.argv[1] 
  12.  
  13. detector = dlib.get_frontal_face_detector() 
  14.  
  15. predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat"

我们从sys.argv[1]参数中读取要检测人脸的图片,接下来初始化人脸区域检测的detector和人脸特征检测的predictor。shape_predictor中的参数就是我们之前解压后的文件的路径。

  1. image = cv2.imread(image_file) 
  2.  
  3. image = resize(image, width=1200) 
  4.  
  5. gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) 
  6.  
  7. rects = detector(gray, 1) 

在检测特征区域前,我们先要检测人脸区域。这段代码调用opencv加载图片,resize到合适的大小,转成灰度图,最后用detector检测脸部区域。因为一张照片可能包含多张脸,所以这里得到的是一个包含多张脸的信息的数组rects。

  1. for (i, rect) in enumerate(rects): 
  2.  
  3.     shape = predictor(gray, rect) 
  4.  
  5.     shape = shape_to_np(shape) 
  6.  
  7.     (x, y, w, h) = rect_to_bb(rect) 
  8.  
  9.     cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2) 
  10.  
  11.     cv2.putText(image, "Face #{}".format(i + 1), (x - 10, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)     
  12.  
  13. for (x, y) in shape: 
  14.  
  15.             cv2.circle(image, (x, y), 2, (0, 0, 255), -1) 
  16.  
  17. cv2.imshow("Output", image) 
  18.  
  19. cv2.waitKey(0) 

对于每一张检测到的脸,我们进一步检测脸部的特征(鼻子、眼睛、眉毛等)。对于脸部区域,我们用绿色的框在照片上标出;对于脸部特征,我们用红色的点标出来。

最后我们把加了检测标识的照片显示出来,waitKey(0)表示按任意键可退出程序。

以上是我们程序的全部

测试

接下来是令人兴奋的时刻,检验我们结果的时刻到来了。

下面是原图

下面是程序识别的结果

可以看到脸部区域被绿色的长方形框起来了,脸上的特征(鼻子,眼睛等)被红色点点标识出来了。

是不是很简单?

收藏 推荐 打印 | 录入:admin | 阅读:
相关新闻      
本文评论   查看全部评论 (0)
表情: 表情 姓名: 字数
点评:
       
评论声明
  • 尊重网上道德,遵守中华人民共和国的各项有关法律法规
  • 承担一切因您的行为而直接或间接导致的民事或刑事法律责任
  • 本站管理人员有权保留或删除其管辖留言中的任意内容
  • 本站有权在网站内转载或引用您的评论
  • 参与本评论即表明您已经阅读并接受上述条款
热门评论