使用dlib自带的frontal_face_detector作为我们的特征提取器

detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor(predictor_path)

def landmark_dec_dlib_fun(img_src):#转灰度图img_gray = cv2.cvtColor(img_src, cv2.COLOR_BGR2GRAY)cv2.imshow('grayimg',img_gray)land_marks = []rects = detector(img_gray, 0)print(rects)for i in range(len(rects)):land_marks_node = np.matrix([[p.x, p.y] for p in predictor(img_gray, rects[i]).parts()])for idx,point in enumerate(land_marks_node):# 68点坐标pos = (point[0,0],point[0,1])print(idx,pos)# 利用cv2.circle给每个特征点画一个圈，共68个cv2.circle(img_src, pos, 5, color=(0, 255, 0))# 利用cv2.putText输出1-68font = cv2.FONT_HERSHEY_SIMPLEXcv2.putText(img_src, str(idx + 1), pos, font, 0.5, (0, 0, 0), 1, cv2.LINE_AA)land_marks.append(land_marks_node)return land_marks

图像局部扭曲算法有三个：局部缩放（Local Scaling）算法、局部平移（Local Transition）算法和局部旋转（Local Rotation）算法。其中应用局部缩放算法可实现眼睛放大，局部平移算法则可用于实现瘦脸效果。

'''
方法： Interactive Image Warping 局部平移算法
'''#startX, startY,left_landmark[0, 0], left_landmark[0, 1]
#endPt[0, 0], endPt[0, 1]
#r_left,r_right为半径
def localTranslationWarp(srcImg, startX, startY, endX, endY, radius):ddradius = float(radius * radius)copyImg = np.zeros(srcImg.shape, np.uint8)copyImg = srcImg.copy()# 计算公式中的|m-c|^2ddmc = (endX - startX) * (endX - startX) + (endY - startY) * (endY - startY)H, W, C = srcImg.shapefor i in range(W):for j in range(H):# 计算该点是否在形变圆的范围之内# 优化，第一步，直接判断是会在（startX,startY)的矩阵框中if math.fabs(i - startX) > radius and math.fabs(j - startY) > radius:continuedistance = (i - startX) * (i - startX) + (j - startY) * (j - startY)if (distance < ddradius):# 计算出（i,j）坐标的原坐标# 计算公式中右边平方号里的部分ratio = (ddradius - distance) / (ddradius - distance + ddmc)ratio = ratio * ratio# 映射原位置UX = i - ratio * (endX - startX)UY = j - ratio * (endY - startY)# 根据双线性插值法得到UX，UY的值value = BilinearInsert(srcImg, UX, UY)# 改变当前 i ，j的值copyImg[j, i] = valuereturn copyImg

def BilinearInsert(src, ux, uy):w, h, c = src.shapeif c == 3:x1 = int(ux)x2 = x1 + 1y1 = int(uy)y2 = y1 + 1part1 = src[y1, x1].astype(np.float) * (float(x2) - ux) * (float(y2) - uy)part2 = src[y1, x2].astype(np.float) * (ux - float(x1)) * (float(y2) - uy)part3 = src[y2, x1].astype(np.float) * (float(x2) - ux) * (uy - float(y1))part4 = src[y2, x2].astype(np.float) * (ux - float(x1)) * (uy - float(y1))insertValue = part1 + part2 + part3 + part4return insertValue.astype(np.int8)def face_thin_auto(src):#68个关键点二维数组landmarks = landmark_dec_dlib_fun(src)# 如果未检测到人脸关键点，就不进行瘦脸if len(landmarks) == 0:returnfor landmarks_node in landmarks:#第4个点左left_landmark = landmarks_node[3]#第6个点左left_landmark_down = landmarks_node[5]#第14个点右right_landmark = landmarks_node[13]#第16个点右right_landmark_down = landmarks_node[15]#第31个点鼻尖endPt = landmarks_node[30]# 计算第4个点到第6个点的距离作为瘦脸距离r_left = math.sqrt((left_landmark[0, 0] - left_landmark_down[0, 0])== * (left_landmark[0, 0] - left_landmark_down[0, 0]) +(left_landmark[0, 1] - left_landmark_down[0, 1]) * (left_landmark[0, 1] - left_landmark_down[0, 1]))# 计算第14个点到第16个点的距离作为瘦脸距离r_right = math.sqrt((right_landmark[0, 0] - right_landmark_down[0, 0]) * (right_landmark[0, 0] - right_landmark_down[0, 0]) +(right_landmark[0, 1] - right_landmark_down[0, 1]) * (right_landmark[0, 1] - right_landmark_down[0, 1]))# 瘦左边脸thin_image = localTranslationWarp(src, left_landmark[0, 0], left_landmark[0, 1], endPt[0, 0], endPt[0, 1],r_left)# 瘦右边脸thin_image = localTranslationWarp(thin_image, right_landmark[0, 0], right_landmark[0, 1], endPt[0, 0],endPt[0, 1], r_right)# 显示cv2.imshow('thin', thin_image)cv2.imwrite('thin.jpg', thin_image)

src = cv2.imread('1.jpg')
cv2.imshow('src', src)
face_thin_auto(src)
# cv2.waitKey(0)img = cv2.imread('1.jpg')
rects = detector(img, 0)
print(rects)
#绘制关键点
for i in range(len(rects)):land_marks_node = np.matrix([[p.x, p.y] for p in predictor(img, rects[i]).parts()])for idx,point in enumerate(land_marks_node):# 68点坐标pos = (point[0,0],point[0,1])print(idx,pos)# 利用cv2.circle给每个特征点画一个圈，共68个cv2.circle(img, pos, 5, color=(0, 255, 0))# 利用cv2.putText输出1-68font = cv2.FONT_HERSHEY_SIMPLEXcv2.putText(img, str(idx + 1), pos, font, 0.5, (0, 0, 0), 1, cv2.LINE_AA)
cv2.imshow('img', img)
cv2.waitKey(0)

opencv+Dlib python瘦脸代码相关推荐

人脸识别系统OpenCV+dlib+python（含数据库）Pyqt5界面设计项目源码毕业设计
一.项目主要技术 Python语言.dlib.OpenCV.Pyqt5界面设计.sqlite3数据库本系统使用dlib作为人脸识别工具,dlib提供一个方法可将人脸图片数据映射到128维度的空间向量 ...
使用OpenCV和Python进行对象检测和跟踪
在此功能中,我将介绍使用OpenCV和Python代码设置对象检测和跟踪所需的功能.使用随附的代码片段,您可以轻松设置Raspberry Pi和网络摄像头,以便制作用于物体检测的便携式图像传感器. 本 ...
使用Python+OpenCV+dlib为人脸生成口罩
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达推荐阅读 42个pycharm使用技巧,瞬间从黑铁变王者Google ...
表情识别（二）——使用Dlib、opencv和Python标记和提取脸部的特定区域
文章目录使用Dlib.OpenCV和Python检测眼睛,鼻子,嘴唇和下巴引用函数特征点和不同人脸部位的关系可视化每一个人脸的部位特征使用Dlib.OpenCV和Python提取脸的局部主函数 ...
人脸检测进阶：使用 dlib、OpenCV 和 Python 检测面部标记
使用 dlib.OpenCV 和 Python 检测面部标记今天,我们将使用dlib和OpenCV来检测图像中的面部标记.dlib的安装教程: https://wanghao.blog.csdn.n ...
dlib 使用OpenCV，Python和深度学习进行人脸识别源代码
请直接访问原文章 dlib 使用OpenCV,Python和深度学习进行人脸识别源代码 https://hotdog29.com/?p=595 在 2019年7月7日上张贴由 hotdog发表回 ...
Python+OpenCV+dlib汽车驾驶员疲劳驾驶检测
点击查看:Python+OpenCV+dlib汽车驾驶员疲劳驾驶检测文件大小:80M 操作系统:Windows10旗舰版开发工具:Python3.8.OpenCV4.5.dlib 开发语言:.py ...
面部表情识别java_使用Python+OpenCV+dlib为人脸生成口罩
来源:深度学习与计算机视觉本文约4800字,建议阅读6分钟本文试图用OpenCV和dlib库来实现这个过程,在这里我们综合生成5种类型的口罩来绘制人脸图像. 本文使用OpenCV dlib库生成口罩 ...
利用OpenCV、Python和Ubidots构建行人计数器程序（附完整代码）
作者 | Jose Garcia 译者 | 吴振东校对 | 张一豪.林亦霖,编辑 | 于腾凯来源 | 数据派(ID:datapi) 导读:本文将利用OpenCV,Python和Ubidots来编写 ...
python+opencv+dlib实现人脸检测与表情识别
python+opencv+dlib实现人脸检测与表情识别一,dlib简单介绍:Dlib包含广泛的机器学习算法.所有的设计都是高度模块化的,快速执行,并且通过一个干净而现代的C ++ API,使用起 ...

opencv+Dlib python瘦脸代码

使用dlib自带的frontal_face_detector作为我们的特征提取器

opencv+Dlib python瘦脸代码相关推荐

最新文章

热门文章