利用dlib81人脸关键点提取额头脸颊ROI

先上实验结果

原文连接

'''
人脸关键点检测——dlib
1  dlib.get_frontal_face_detector()  获取人脸检测器
2  dlib.shape_predictor()  预测人脸关键点
'''
# import cv2
#上面的无法自动补全代码
import cv2.cv2 as cv2
import matplotlib.pyplot as plt
import dlib
import numpy as np#读取图片
img = cv2.imread("6.png")#调用人脸检测器
detector = dlib.get_frontal_face_detector()#加载 预测关键点模型（68个关键点）
predictor = dlib.shape_predictor("shape_predictor_81_face_landmarks.dat")#灰度化
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#人脸检测
faces = detector(gray, 1)  # 1:将图片放大一倍，便于识别人脸; 0 原始图像a = np.arange(81)
print("a:",a)
b = np.arange(81)if (len(faces) != 0):# 找到脸颊区域for i in range(len(faces)):landmarks = np.matrix([[p.x, p.y] for p in predictor(img, faces[i]).parts()])for idx, point in enumerate(landmarks):# 68点的坐标pos = (point[0, 0], point[0, 1])# ROI：脸颊区域a = a.tolist()  # 将矩阵转换成列表。b = b.tolist()a[idx] = point[0, 0]b[idx] = point[0, 1]a = np.array(a)  # 将数据转化为矩阵b = np.array(b)# 额头区域x1 = int(a[76])y1 = int(b[19])x2 = int(a[73])y2 = int(b[73])if (x1 < 0): # 防止人脸转动，x1位置超出图像x1 = 0forehead_ROI = img[y2:y1, x1:x2]cv2.imshow("forehead_ROI",forehead_ROI)cv2.waitKey()# 脸颊区域x1 = int((a[2] + a[4]) / 2)y1 = int((b[2] + b[4]) / 2)y2 = int((b[2] + b[23]) / 2)x2 = int((a[12] + a[14]) / 2)if (x1 < 0):x1 = 0cheek_ROI = img[y2:y1, x1:x2]cv2.imshow("cheek_ROI",cheek_ROI)cv2.waitKey()# 检测整个人脸区域for k, d in enumerate(faces):[x1, x2, y1, y2] = [d.left(), d.right(), d.top(), d.bottom()]face_ROI = img[y1:y2, x1:x2]cv2.imshow("face_ROI",face_ROI)cv2.waitKey()#显示整个效果
plt.imshow(img[:, :, ::-1]) # BGR 2 RGB
plt.title("81_face_landmarks")
plt.axis("off")
# cv2.imwrite("dlib_81_face_landmarks10.jpg", img)
plt.show()

'''
人脸关键点检测——dlib
1  dlib.get_frontal_face_detector()  获取人脸检测器
2  dlib.shape_predictor()  预测人脸关键点
'''
# import cv2
#上面的无法自动补全代码
import cv2.cv2 as cv2
import matplotlib.pyplot as plt
import dlib
import numpy as np#读取图片
img = cv2.imread("6.png")#调用人脸检测器
detector = dlib.get_frontal_face_detector()#加载 预测关键点模型（68个关键点）
predictor = dlib.shape_predictor("shape_predictor_81_face_landmarks.dat")#灰度化
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#人脸检测
faces = detector(gray, 1)  # 1:将图片放大一倍，便于识别人脸; 0 原始图像a = np.arange(81)
b = np.arange(81)if (len(faces) != 0):# 找到脸颊区域for i in range(len(faces)):landmarks = np.matrix([[p.x, p.y] for p in predictor(img, faces[i]).parts()])for idx, point in enumerate(landmarks):# 68点的坐标pos = (point[0, 0], point[0, 1])# ROI：脸颊区域a = a.tolist()  # 将矩阵转换成列表。b = b.tolist()a[idx] = point[0, 0]b[idx] = point[0, 1]a = np.array(a)  # 将数据转化为矩阵b = np.array(b)# 额头区域x1 = int(a[76])y1 = int(b[19])x2 = int(a[73])y2 = int(b[73])if (x1 < 0): # 防止人脸转动，x1位置超出图像x1 = 0forehead_ROI = img[y2:y1, x1:x2]cv2.rectangle(img, (x1,y2), (x2,y1), (0,255,0), 1)# cv2.imshow("forehead_ROI",forehead_ROI)# cv2.waitKey()# 脸颊区域x1 = int((a[2] + a[4]) / 2)y1 = int((b[2] + b[4]) / 2)y2 = int((b[2] + b[23]) / 2)x2 = int((a[12] + a[14]) / 2)if (x1 < 0):x1 = 0cheek_ROI = img[y2:y1, x1:x2]cv2.rectangle(img, (x1,y2), (x2,y1), (0,255,0), 1)# cv2.imshow("cheek_ROI",cheek_ROI)# cv2.waitKey()# 检测整个人脸区域for k, d in enumerate(faces):[x1, x2, y1, y2] = [d.left(), d.right(), d.top(), d.bottom()]face_ROI = img[y1:y2, x1:x2]cv2.rectangle(img, (x1, y2), (x2, y1), (255, 0, 0), 1)  # 蓝色# cv2.imshow("face_ROI",face_ROI)# cv2.waitKey()cv2.imshow("ROI",img)
cv2.waitKey()

这个ROI区域确定是根据关键点索引，比较麻烦。引入imutils库，更加简单
查看imutils库使用
查看 face_utils的使用

利用dlib81人脸关键点提取额头脸颊ROI相关推荐

MTCNN人脸检测及人脸关键点提取（学习记录）
我看了很多关于MTCNN框架的文章,但基本上都是一概而过,本文章记录MTCNN每一步的流程及附上注释的代码. MTCNN框架主要由三大子网络组成,即P-Net,R-Net,O-Net. 三大子网络的区 ...
人脸识别之人脸关键点(仅供本人参考)
深度学习人脸关键点检测方法----综述转自人脸关键点检测综述不知道为什么在ubuntu下知呼中的图片无法显示人脸关键点检测是人脸识别和分析领域中的关键一步,它是诸如自动人脸识别.表情分析.三维人 ...
人脸关键点检测综述（含论文、数据集、方法等）
人脸关键点人脸关键点检测是人脸识别和分析领域中的关键一步,它是诸如自动人脸识别.表情分析.三维人脸重建及三维动画等其它人脸相关问题的前提和突破口.近些年来,深度学习(http://www.rainc ...
关键点提取：face_recognition、疲劳检测、人脸校准、人脸数据库
日萌社人工智能AI:Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战(不定时更新) 人脸识别功能实现的原理介绍与算法介绍人脸识别:人脸数据集 A ...
利用PCL库从点云数据生成深度图像及关键点提取
利用PCL库从点云数据生成生成深度图像及关键点提取利用PCL库从点云数据生成深度图像及关键点提取本想利用标准点云数据库分割成若干块,利用标准点云数据生成深度图像作为数据库用来验证算法,目前效果不是 ...
【技术综述】人脸关键点检测的数据集与核心算法
人脸关键点检测是诸如人脸识别.表情分析.三维人脸重建等其它人脸相关任务的基础.近些年来,深度学习方法已被成功应用到了人脸的关键点检测,本章将介绍深度学习方法在人脸关键点检测方向的研究.包括人脸关键点任 ...
CNN人脸关键点检测
CNN人脸关键点检测参考文献<Deep Convolutional Network Cascade for Facial Point Detection>\ 摘要提出一种利用精心设计的 ...
CVPR 2021 | 五官复原效果惊艳，腾讯ARC利用GAN人脸先验来解决
作者|机器之心编辑部来源|机器之心人脸复原 (Face Restoration) 是指从低质量的人脸中复原得到高清的人脸.真实世界中的人脸复原是一个很有挑战的任务,因为降质 (degradatio ...
68点人脸关键点定位
人脸对齐/人脸关键点基本概念根据输入的人脸图像,自动定位出面部关键特征点,如眼睛,鼻尖,嘴角点,眉毛以及人脸各部件轮廓点等想要表示形状信息时,使用的是点的集合(向量) 2D人脸:5 / 21 / ...

利用dlib81人脸关键点提取额头脸颊ROI

利用dlib81人脸关键点提取额头脸颊ROI相关推荐

最新文章

热门文章