表情识别（一）——使用Dlib、opencv和Python识别面部特征

文章目录

基本步骤
- 1、定位图片中的脸
- 2、在面部ROI中检测出关键的面部结构
- - - 什么是ROI
  - 补充函数rect_to_bb，将rect转成坐标点
  - 补充函数shape__to__np
  - 补充函数resive
- 主要代码
- - 导入相关的包
  - 初始化面部检测器和面部特征预测器
  - 打开图片并读取，将之转换为的灰度图片，固定大小
  - 调用加载好的检测器，对目标进行检测
  - 遍历所有是别人出来的人脸
  - 输出修改之后的图片
- 最终的代码
- 实验效果
- 分析与总结

基本步骤

1、定位图片中的脸

面部检测可以使用很多方式实现，比如说OpenCV内嵌的Haar级联，预训练好的HOG+ 先行SVM对象检测，或者使用深度学习算法进行面部识别。无论什么方法，我们最终都是要获得标定面部的选区

2、在面部ROI中检测出关键的面部结构

主要给出对应面部选区，我们就可以进行面部特征点的检测。有很多不同的面部特征点检测器，但是所有的方法基本上都是针对以下几个器官：嘴、左右眼睫毛、左右眼、鼻子、下巴等。
Dlib库中常用的面部特征检测器是One millisecond face alignment with an ensemble of regression trees。这个方法使用了一个人工标注的测试集，标注的内容是围绕面部特征的特定的坐标，坐标表示的是像素点之间的距离。有了这个训练集，就可以训练出来一个集成的回归树，用来检测面部的特征。这个特征检测器的可以进行实时高精度检测。
如果想要的更加深入的了解这个技术，可以通过连接，读相关的文章，配合Dlib的官方文档。
文章的连接
Dlib官方文档
在Dlib库中的预先训练好的面部特征检测是针对人脸结构上的68个特征点，分布如下。

什么是ROI

图像处理中，从被处理图像以方框、圆、椭圆等不规则多边形方式勾勒出的需要处理的区域，成为感兴趣区域，ROI。

补充函数rect_to_bb，将rect转成坐标点

描述：将检测器检测出来的rect转换成具体的长方形框的坐标点
原理：detecor返回的值是rect，数据的形式是（x,y,height,width）

def rect_to_bb(rect):# take a bounding predicted by dlib and convert it# to the format (x, y, w, h) as we would normally do# with OpenCVx = rect.left()y = rect.top()w = rect.right() - xh = rect.bottom() - y# return a tuple of (x, y, w, h)return (x, y, w, h)

补充函数shapetonp

描述：将包含的68个面部区域的坐标点的shape转为numpy数组

def shape_to_np(shape, dtype="int"):# initialize the list of (x, y)-coordinatescoords = np.zeros((68, 2), dtype=dtype)# loop over the 68 facial landmarks and convert them# to a 2-tuple of (x, y)-coordinatesfor i in range(0, 68):coords[i] = (shape.part(i).x, shape.part(i).y)# return the list of (x, y)-coordinatesreturn coords

补充函数resive

描述：将图片按照要求设定大小
参数：image是cv2.imread的对象

     width和height是新指定的大小参数

def resize(image, width=None, height=None, inter=cv2.INTER_AREA):# initialize the dimensions of the image to be resized and# grab the image sizedim = None(h, w) = image.shape[:2]# if both the width and height are None, then return the# original imageif width is None and height is None:return image# check to see if the width is Noneif width is None:# calculate the ratio of the height and construct the# dimensionsr = height / float(h)dim = (int(w * r), height)# otherwise, the height is Noneelse:# calculate the ratio of the width and construct the# dimensionsr = width / float(w)dim = (width, int(h * r))# resize the imageresized = cv2.resize(image, dim, interpolation=inter)# return the resized imagereturn resized

主要代码

导入相关的包

# import the necessary packages
import numpy as np
import argparse
import dlib
import cv2

初始化面部检测器和面部特征预测器

# initialize dlib's face detector (HOG-based) and then create
# the facial landmark predictor
# 初始化基于HOG预测的预先训练好的检测器
detector = dlib.get_frontal_face_detector()
# 使用的shape-predictor去加载的下载的面部特征训练器
# 括号里的是检测器的路径
predictor = dlib.shape_predictor("the path of the detector")

打开图片并读取，将之转换为的灰度图片，固定大小

# 使用opencv打开图片
image = cv2.imread("1.jpg")
# 统一图片的大小
image = imutils.resize(image,width = 500)
# 将图片转为灰度图片，将BGR图片转为灰度图片
gray = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)

具体resize函数

def resize(image, width=None, height=None, inter=cv2.INTER_AREA):# initialize the dimensions of the image to be resized and# grab the image sizedim = None(h, w) = image.shape[:2]# if both the width and height are None, then return the# original imageif width is None and height is None:return image# check to see if the width is Noneif width is None:# calculate the ratio of the height and construct the# dimensionsr = height / float(h)dim = (int(w * r), height)# otherwise, the height is Noneelse:# calculate the ratio of the width and construct the# dimensionsr = width / float(w)dim = (width, int(h * r))# resize the imageresized = cv2.resize(image, dim, interpolation=inter)# return the resized imagereturn resized

imread的具体的输出，每一个像素点是以（r，g，b）的形式进行保存的，结果如下

原图片的shape输出，对应的是heightweightchannel，总共是rgb三个颜色的通道，像素点是711*474

修改之后的图片尺寸

转换之后的灰度图片，仅仅只有一个单通道

调用加载好的检测器，对目标进行检测

第一个参数是需要检测的图片
第二个参数是图片的层数，这里是单层图片，只有一个灰度层

# detect face in the grayscale face
# detecting the bounding box of faces in our image
# the second parameter is the number of image pyramid layer
# prior applying the detector we must upscaling the image
rects = detector(gray,1)

rects的结果是的坐标和weight和height两对参数

遍历所有是别人出来的人脸

for (i,rect) in enumerate(rects):# i对应的是目标的索引，rect对应是每一个框的起始点坐标和长宽# 定位人脸的关键点，返回的定位之后的68个关键点的位置shape = predictor(gray,rect)# shape是输出之后坐标点，是（68，2），68个点，每个点都是二维的，将所有的坐标点转为numpy数组shape = face_utils.shape_to_np(shape)# 将rect检测人脸的边框转为绘制矩形框的具体位置(x,y,w,h) = face_utils.rect_to_bb(rect)# 绘制人脸的矩形框cv2.rectangle(image,(x,y),(x+w,y+h),(0,255,0),2)# 设置矩形框的文字部分cv2.putText(image,"Face #{}".format(i+1),(x-10,y-10),cv2.FONT_HERSHEY_SIMPLEX,0.5,(0,255,0),2)# 循环遍历所有的点，将之在原图上进行标注for (x,y) in shape:cv2.circle(image,(x,y),1,(0,0,255),-1)

具体的函数face_utils.shape_to_np的具体代码，将shape的输出结果转为numpy数组

def shape_to_np(shape, dtype="int"):# initialize the list of (x, y)-coordinatescoords = np.zeros((68, 2), dtype=dtype)# loop over the 68 facial landmarks and convert them# to a 2-tuple of (x, y)-coordinatesfor i in range(0, 68):coords[i] = (shape.part(i).x, shape.part(i).y)# return the list of (x, y)-coordinatesreturn coords

输出修改之后的图片

# show the output image with the face detections + facial landmarks
cv2.imshow("Output",image)
cv2.waitKey(0)

最终的代码

# import the necessary packages# import argparse
import cv2
import dlibimport imutils
# the package below from the writer
from imutils import face_utils# intialize dlib face detector adn then create the facial landmark predictor
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")# load the image,resize it and convert it into grayscale
# resice the size of the image into 500 width
# image = cv2.imread(args["image"])
image = cv2.imread("1.jpg")
image = imutils.resize(image,width = 500)
gray = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)# detect face in the grayscale face
# detecting the bounding box of faces in our image
# the second parameter is the number of image pyramid layer
# prior applying the detector we must upscaling the image
rects = detector(gray,1)# Given the coordinates of the face in the image
# loop over the face detections
for (i,rect) in enumerate(rects):# determine the facial landmarks for the face region# convert the coordiantes of the facial landmark to numpy array# predictor is to detect the facila landmarkshape = predictor(gray,rect)# convert the dlib objects to a numpy arrayshape = face_utils.shape_to_np(shape)# convert dlib's rectangle to a OpenCV-style bounding box(x,y,w,h)# then draw the face bounding box(x,y,w,h) = face_utils.rect_to_bb(rect)cv2.rectangle(image,(x,y),(x+w,y+h),(0,255,0),2)# show the face numbercv2.putText(image,"Face #{}".format(i+1),(x-10,y-10),cv2.FONT_HERSHEY_SIMPLEX,0.5,(0,255,0),2)# loop over the (x,y)-coordinates for the facial lanmarks# and draw the on the imagefor (x,y) in shape:cv2.circle(image,(x,y),1,(0,0,255),-1)# show the output image with the face detections + facial landmarks
cv2.imshow("Output",image)
cv2.waitKey(0)

实验效果

分析与总结

里面有一个的imutils的包下载地址，不过下不了也没关系，我已经把对应原函数附在了对应调用的地方，你们可以自己改一下

表情识别（一）——使用Dlib、opencv和Python识别面部特征相关推荐

使用 OpenCV 和 Python 识别信用卡号
使用 OpenCV 和 Python 识别信用卡号在之前的博文中,我们学习了如何安装 Tesseract 二进制文件并将其用于 OCR. 然后我们学习了如何使用基本的图像处理技术来清理图像以提高 T ...
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 ...
使用 OpenCV 和 Python 识别数字
使用 OpenCV 和 Python 识别数字本文演示如何使用 OpenCV 和 Python 识别图像中的数字. 在本教程的第一部分,我们将讨论什么是七段显示器,以及我们如何应用计算机视觉和图像处 ...
python表情识别程序_Python+Dlib+Opencv实现人脸采集并表情判别功能的代码
一.dlib以及opencv-python库安装介于我使用的是jupyter notebook,所以在安装dlib和opencv-python时是在这个命令行安装的 dlib安装方法: 1.若可以 ...
python人脸识别考勤系统 dlib+OpenCV和Pyqt5、数据库sqlite 人脸识别系统计算机毕业设计源码
一.项目介绍 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,如 ...
python人脸识别理论_使用OpenCV和Python进行人脸识别
介绍人脸识别是什么?或识别是什么?当你看到一个苹果时,你的大脑会立刻告诉你这是一个苹果.在这个过程中,你的大脑告诉你这是一个苹果水果,用简单的语言来说就是识别.那么什么是人脸识别呢?我肯定你猜对了. ...
python人脸识别门禁_Python+Opencv+Tkinter指纹识别与人脸识别的门禁兼考勤（一）
一.设计目标:旨在PC端上搭建一款具有指纹识别与人脸识别功能的门禁兼考勤系统.该系统同时具备普通用户模式.管理员模式与超级管理员模式,下面具体介绍每种模式下的功能. 1)普通用户模式该模式可分为收集 ...
python视频图片识别算法_python利用Opencv进行人脸识别（视频流+图片）
首先:需要在在自己本地安装opencv具体步骤可以问度娘如果从事于开发中的话建议用第三方的人脸识别(推荐阿里) 1.视频流中进行人脸识别 # -*- coding: utf-8 -*- import ...
python人脸识别opencv_python中使用Opencv进行人脸识别
上一节讲到人脸检测,现在讲一下人脸识别.具体是通过程序采集图像并进行训练,并且基于这些训练的图像对人脸进行动态识别. 人脸识别前所需要的人脸库可以通过两种方式获得:1.自己从视频获取图像 2.从人脸数 ...
python识别人脸多种属性_用Python识别人脸，人种等各种信息
最近几天了解了一下人脸识别,应用场景可以是图片标注,商品图和广告图中有没有模特,有几个模特,模特的性别,年龄,颜值,表情等数据的挖掘. 基础的识别用dlib来实现,dlib是一个机器学习的包,主要用C ...

表情识别（一）——使用Dlib、opencv和Python识别面部特征

文章目录

基本步骤

1、定位图片中的脸

2、在面部ROI中检测出关键的面部结构

什么是ROI

补充函数rect_to_bb，将rect转成坐标点

补充函数shapetonp

补充函数resive

主要代码

导入相关的包

初始化面部检测器和面部特征预测器

打开图片并读取，将之转换为的灰度图片，固定大小

调用加载好的检测器，对目标进行检测

遍历所有是别人出来的人脸

输出修改之后的图片

最终的代码

实验效果

分析与总结

表情识别（一）——使用Dlib、opencv和Python识别面部特征相关推荐

最新文章

热门文章

表情识别（一）——使用Dlib、opencv和Python识别面部特征

文章目录

基本步骤

1、定位图片中的脸

2、在面部ROI中检测出关键的面部结构

什么是ROI

补充函数rect_to_bb，将rect转成坐标点

补充函数shape__to__np

补充函数resive

主要代码

导入相关的包

初始化面部检测器和面部特征预测器

打开图片并读取，将之转换为的灰度图片，固定大小

调用加载好的检测器，对目标进行检测

遍历所有是别人出来的人脸

输出修改之后的图片

最终的代码

实验效果

分析与总结

表情识别（一）——使用Dlib、opencv和Python识别面部特征相关推荐

最新文章

热门文章

补充函数shapetonp