50行Python代码实现人脸检测

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:

$ sudo apt-get install build-essential cmake 


 


$ sudo apt-get install libgtk-3-dev 


 


$ 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:

$ pip install numpy 


 


$ pip install scipy 


 


$ pip install opencv-python 


 


$ 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

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:

50行Python代码实现人脸检测

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:

def rect_to_bb(rect): 


 


    x = rect.left() 


 


    y = rect.top() 


 


    w = rect.right() - x  


 


    h = rect.bottom() - y      


 


   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。

def shape_to_np(shape, dtype="int"): 


 


    coords = np.zeros((68, 2), dtype=dtype)     


 


    for i in range(0, 68): 


 


            coords[i] = (shape.part(i).x, shape.part(i).y)     


 


   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。

def  resize(image, width=1200): 


 


    r = width * 1.0 / image.shape[1] 


 


    dim = (width, int(image.shape[0] * r))  


 


    resized = cv2.resize(image, dim, interpolation=cv2.INTER_AREA)     


 


    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

import sys import numpy as np 


 


import dlib import cv2  


 


if len(sys.argv) < 2:     


 


    print "Usage: %s <image file>" % sys.argv[0] 


 


    sys.exit(1) 


 


image_file = sys.argv[1] 


 


detector = dlib.get_frontal_face_detector() 


 


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。

image = cv2.imread(image_file) 


 


image = resize(image, width=1200) 


 


gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) 


 


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。

for (i, rect) in enumerate(rects): 


 


    shape = predictor(gray, rect) 


 


    shape = shape_to_np(shape) 


 


    (x, y, w, h) = rect_to_bb(rect) 


 


    cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2) 


 


    cv2.putText(image, "Face #{}".format(i + 1), (x - 10, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)     


 


for (x, y) in shape: 


 


            cv2.circle(image, (x, y), 2, (0, 0, 255), -1)  


 


cv2.imshow("Output", image) 


 


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

50行Python代码实现人脸检测

下面是程序识别的结果

50行Python代码实现人脸检测

相关推荐