dlib python 人臉檢測與關鍵點標記

http://blog.csdn.net/sunmc1204953974/article/details/49976045

 人臉檢測

#coding=utf-8
# -*- coding: utf-8 -*-

import sys

import dlib

from skimage import io


#使用dlib自帶的frontal_face_detector作為我們的特征提取器
detector = dlib.get_frontal_face_detector()

#使用dlib提供的圖片窗口
win = dlib.image_window()

#sys.argv[]是用來獲取命令行參數的，sys.argv[0]表示代碼本身文件路徑，所以參數從1開始向后依次獲取圖片路徑
for f in sys.argv[1:]:

    #輸出目前處理的圖片地址
    print("Processing file: {}".format(f))

    #使用skimage的io讀取圖片
    img = io.imread(f)

    #使用detector進行人臉檢測 dets為返回的結果
    dets = detector(img, 1)

    #dets的元素個數即為臉的個數
    print("Number of faces detected: {}".format(len(dets)))

    #使用enumerate 函數遍歷序列中的元素以及它們的下標
    #下標i即為人臉序號
    #left：人臉左邊距離圖片左邊界的距離 ；right：人臉右邊距離圖片左邊界的距離
    #top：人臉上邊距離圖片上邊界的距離 ；bottom：人臉下邊距離圖片上邊界的距離
    for i, d in enumerate(dets):
        print("dets{}".format(d))
        print("Detection {}: Left: {} Top: {} Right: {} Bottom: {}"
            .format( i, d.left(), d.top(), d.right(), d.bottom()))

    #也可以獲取比較全面的信息，如獲取人臉與detector的匹配程度
    dets, scores, idx = detector.run(img, 1)
    for i, d in enumerate(dets):
        print("Detection {}, dets{},score: {}, face_type:{}".format( i, d, scores[i], idx[i]))

    #繪制圖片(dlib的ui庫可以直接繪制dets)
    win.set_image(img)
    win.add_overlay(dets)

    #等待點擊
    dlib.hit_enter_to_continue()

 python dlibface.py itlay.jpg

 

人臉關鍵點標記

# -*- coding: utf-8 -*-

import dlib

import numpy

from skimage import io

#源程序是用sys.argv從命令行參數去獲取訓練模型，精簡版我直接把路徑寫在程序中了
predictor_path = "./shape_predictor_68_face_landmarks.dat"

#源程序是用sys.argv從命令行參數去獲取文件夾路徑，再處理文件夾里的所有圖片
#這里我直接把圖片路徑寫在程序里了，每運行一次就只提取一張圖片的關鍵點
faces_path = "./itlay.jpg"

#與人臉檢測相同，使用dlib自帶的frontal_face_detector作為人臉檢測器
detector = dlib.get_frontal_face_detector()

#使用官方提供的模型構建特征提取器
predictor = dlib.shape_predictor(predictor_path)

#使用dlib提供的圖片窗口
win = dlib.image_window()

#使用skimage的io讀取圖片
img = io.imread(faces_path)

#繪制圖片
win.clear_overlay()
win.set_image(img)

 #與人臉檢測程序相同,使用detector進行人臉檢測 dets為返回的結果
dets = detector(img, 1)

#dets的元素個數即為臉的個數
print("Number of faces detected: {}".format(len(dets)))

#使用enumerate 函數遍歷序列中的元素以及它們的下標
#下標k即為人臉序號
#left：人臉左邊距離圖片左邊界的距離 ；right：人臉右邊距離圖片左邊界的距離
#top：人臉上邊距離圖片上邊界的距離 ；bottom：人臉下邊距離圖片上邊界的距離
for k, d in enumerate(dets):
    print("dets{}".format(d))
    print("Detection {}: Left: {} Top: {} Right: {} Bottom: {}".format(
    k, d.left(), d.top(), d.right(), d.bottom()))

    #使用predictor進行人臉關鍵點識別 shape為返回的結果
    shape = predictor(img, d)

    #獲取第一個和第二個點的坐標（相對於圖片而不是框出來的人臉）
    print("Part 0: {}, Part 1: {} ...".format(shape.part(0),  shape.part(1)))

    #繪制特征點
    win.add_overlay(shape)

#繪制人臉框
win.add_overlay(dets)


#也可以這樣來獲取（以一張臉的情況為例）
#get_landmarks()函數會將一個圖像轉化成numpy數組，並返回一個68 x2元素矩陣，輸入圖像的每個特征點對應每行的一個x，y坐標。
def get_landmarks(im):

    rects = detector(im, 1)

    return numpy.matrix([[p.x, p.y] for p in predictor(im, rects[0]).parts()])

#多張臉使用的一個例子
def get_landmarks_m(im):

    dets = detector(im, 1)

    #臉的個數
    print("Number of faces detected: {}".format(len(dets)))

    for i in range(len(dets)):

        facepoint = np.array([[p.x, p.y] for p in predictor(im, dets[i]).parts()])

        for i in range(68):

            #標記點
            im[facepoint[i][1]][facepoint[i][0]] = [232,28,8]

    return im

#打印關鍵點矩陣
print("face_landmark:")

print(get_landmarks(img))

#等待點擊
dlib.hit_enter_to_continue()