<nobr id="s1sof"></nobr>
<nobr id="s1sof"><optgroup id="s1sof"><dd id="s1sof"></dd></optgroup></nobr>
    <track id="s1sof"></track>

    计算机视觉项目-人脸识别与检测

    😊😊😊欢迎来到本博客😊😊😊
    本次博客内容将继续讲解关于OpenCV的相关知识
    🎉作者简介??????目前计算机研究生在读。主要研究方向是人工智能和群智能算法方向。目前熟悉深度学习(keras、pytorch、yolo系列),python网页爬虫、机器学习、计算机视觉(OpenCV)、群智能算法。然后正在学习深度学习的相关内容。以后可能会涉及到网络安全相关领域,毕竟这是每一个学习计算机的梦想嘛!
    📝目前更新🌟🌟🌟目前已经更新了关于网络爬虫的相关知识、机器学习的相关知识、目前正在更新计算机视觉-OpenCV的相关内容。
    💛💛💛本文摘要💛💛💛

    本文我们将继续讲解AI领域项目-目标识别的相关操作。

    在这里插入图片描述

    🌟项目介绍前言

    人脸识别作为一种生物特征识别技术,具有非侵扰性、非接触性、友好性和便捷性等优点。人脸识别通用的流程主要包括人脸检测、人脸裁剪、人脸校正、特征提取和人脸识别。人脸检测是从获取的图像中去除干扰,提取人脸信息,获取人脸图像位置,检测的成功率主要受图像质量,光线强弱和遮挡等因素影响。下图是整个人脸检测过程。
    在这里插入图片描述

    🌟识别检测方法

    1. 传统识别方法
      (1)基于点云数据的人脸识别
      (2)基于面部特征的3D人脸识别

    2. 深度学习识别方法
      (1)基于深度图的人脸识别
      (2)基于RGB-3DMM的人脸识别
      (3)基于RGB-D的人脸识别

    🌟本文方法

    关键点定位概述
    一般人脸中有5个关键点,其中包括眼睛两个,鼻子一个,嘴角两个。还可以细致的分为68个关键点,这样的话会概括的比较全面,我们本次研究就是68个关键点定位。
    在这里插入图片描述
    上图就是我们定位人脸的68个关键点,其中他的顺序是要严格的进行排序的。从1到68点的顺序不能错误。
    在这里插入图片描述

    🌟项目解析

    使用机器学习框架dlib做本次的项目。首先我们要指定参数时,要把dlib中的68关键点人脸定位找到。设置出来的68关键点人脸定位找到。并且设置出来。

    from collections import OrderedDict
    import numpy as np
    import argparse
    import dlib
    import cv2
    

    首先我们导入工具包。其中dlib库是通过这个网址http://dlib.net/files/进行下载的。然后我们导入参数。

    ap = argparse.ArgumentParser()
    ap.add_argument("-p", "--shape-predictor", required=True,
    	help="path to facial landmark predictor")
    ap.add_argument("-i", "--image", required=True,
    	help="path to input image")
    args = vars(ap.parse_args())
    

    这里我们要设置参数,
    --shape-predictor shape_predictor_68_face_landmarks.dat --image images/lanqiudui.jpg。如果一张图像里面有多个人脸,那么我们分不同部分进行检测,裁剪出来所对应的ROI区域。我们的整体思路就是先检测人脸所在的一个区域位置,然后检测鼻子相对于人脸框所在的一个位置,比如说人的左眼睛在0.2w,0.2h的人脸框处。

    FACIAL_LANDMARKS_68_IDXS = OrderedDict([
    	("mouth", (48, 68)),
    	("right_eyebrow", (17, 22)),
    	("left_eyebrow", (22, 27)),
    	("right_eye", (36, 42)),
    	("left_eye", (42, 48)),
    	("nose", (27, 36)),
    	("jaw", (0, 17))
    ])
    

    这个是68个关键点定位的各个部位相对于人脸框的所在位置。分别对应着嘴,左眼、右眼、左眼眉、右眼眉、鼻子、下巴。

    FACIAL_LANDMARKS_5_IDXS = OrderedDict([
    	("right_eye", (2, 3)),
    	("left_eye", (0, 1)),
    	("nose", (4))
    ])
    

    如果是5点定位,那么就需要定位左眼、右眼、鼻子。0、1、2、3、4分别表示对应的5个点。

    detector = dlib.get_frontal_face_detector()
    predictor = dlib.shape_predictor(args["shape_predictor"])
    

    加载人脸检测与关键点定位。加载出来。其中detector默认的人脸检测器。然后通过传入参数返回人脸检测矩形框4点坐标。其中predictor以图像的某块区域为输入,输出一系列的点(point location)以表示此图像region里object的姿势pose。返回训练好的人脸68特征点检测器。

    image = cv2.imread(args["image"])
    (h, w) = image.shape[:2]
    width=500
    r = width / float(w)
    dim = (width, int(h * r))
    image = cv2.resize(image, dim, interpolation=cv2.INTER_AREA)
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    

    这里我们把数据读了进来,然后进行需处理,提取h和w,其中我们自己设定图像的w为500,然后按照比例同比例设置h。然后进行了resize操作,最后转化为灰度图。

    rects = detector(gray, 1)
    

    这里调用了detector的人脸框检测器,要使用灰度图进行检测,这个1是重采样个数。这里面返回的是人脸检测矩形框4点坐标。然后对检测框进行遍历

    for (i, rect) in enumerate(rects):
    	# 对人脸框进行关键点定位
    	# 转换成ndarray
    	shape = predictor(gray, rect)
    	shape = shape_to_np(shape)
    

    这里面返回68个关键点定位。shape_to_np这个函数如下。

    def shape_to_np(shape, dtype="int"):
    	# 创建68*2
    	coords = np.zeros((shape.num_parts, 2), dtype=dtype)
    	# 遍历每一个关键点
    	# 得到坐标
    	for i in range(0, shape.num_parts):
    		coords[i] = (shape.part(i).x, shape.part(i).y)
    	return coords
    

    这里shape_to_np函数的作用就是得到关键点定位的坐标。

    for (name, (i, j)) in FACIAL_LANDMARKS_68_IDXS.items():
    		clone = image.copy()
    		cv2.putText(clone, name, (10, 30), cv2.FONT_HERSHEY_SIMPLEX,
    			0.7, (0, 0, 255), 2) 
    
    		# 根据位置画点
    		for (x, y) in shape[i:j]:
    			cv2.circle(clone, (x, y), 3, (0, 0, 255), -1)
    
    		# 提取ROI区域
    		(x, y, w, h) = cv2.boundingRect(np.array([shape[i:j]]))
    		
    		roi = image[y:y + h, x:x + w]
    		(h, w) = roi.shape[:2]
    		width=250
    		r = width / float(w)
    		dim = (width, int(h * r))
    		roi = cv2.resize(roi, dim, interpolation=cv2.INTER_AREA)
    		
    		# 显示每一部分
    		cv2.imshow("ROI", roi)
    		cv2.imshow("Image", clone)
    		cv2.waitKey(0)
    

    这里字典FACIAL_LANDMARKS_68_IDXS.items()是同时提取字典中的key和value数值。然后遍历出来这几个区域,并且进行显示具体是那个区域,并且将这个区域画圆。随后提取roi区域并且进行显示。后面部分就是同比例显示w和h。然后展示出来。

    	output = visualize_facial_landmarks(image, shape)
    	cv2.imshow("Image", output)
    	cv2.waitKey(0)
    

    最后展示所有区域。
    其中visualize_facial_landmarks函数就是:

    def visualize_facial_landmarks(image, shape, colors=None, alpha=0.75):
    	# 创建两个copy
    	# overlay and one for the final output image
    	overlay = image.copy()
    	output = image.copy()
    	# 设置一些颜色区域
    	if colors is None:
    		colors = [(19, 199, 109), (79, 76, 240), (230, 159, 23),
    			(168, 100, 168), (158, 163, 32),
    			(163, 38, 32), (180, 42, 220)]
    	# 遍历每一个区域
    	for (i, name) in enumerate(FACIAL_LANDMARKS_68_IDXS.keys()):
    		# 得到每一个点的坐标
    		(j, k) = FACIAL_LANDMARKS_68_IDXS[name]
    		pts = shape[j:k]
    		# 检查位置
    		if name == "jaw":
    			# 用线条连起来
    			for l in range(1, len(pts)):
    				ptA = tuple(pts[l - 1])
    				ptB = tuple(pts[l])
    				cv2.line(overlay, ptA, ptB, colors[i], 2)
    		# 计算凸包
    		else:
    			hull = cv2.convexHull(pts)
    			cv2.drawContours(overlay, [hull], -1, colors[i], -1)
    	# 叠加在原图上,可以指定比例
    	cv2.addWeighted(overlay, alpha, output, 1 - alpha, 0, output)
    	return output
    

    这个函数是计算cv2.convexHull凸包的,也就是下图这个意思。
    在这里插入图片描述
    这个函数cv2.addWeighted是做图像叠加的。

    src1, src2:需要融合叠加的两副图像,要求大小和通道数相等
    alpha:src1 的权重
    beta:src2 的权重
    gamma:gamma 修正系数,不需要修正设置为 0
    dst:可选参数,输出结果保存的变量,默认值为 None
    dtype:可选参数,输出图像数组的深度,即图像单个像素值的位数(如 RGB 用三个字节表示,则为 24 位),选默认值 None 表示与源图像保持一致。

    dst = src1 × alpha + src2 × beta + gamma;上面的式子理解为,结果图像 = 图像 1× 系数 1+图像 2× 系数 2+亮度调节量。

    🌟完整代码及效果展示

    from collections import OrderedDict
    import numpy as np
    import argparse
    import dlib
    import cv2
    
    ap = argparse.ArgumentParser()
    ap.add_argument("-p", "--shape-predictor", required=True,
    	help="path to facial landmark predictor")
    ap.add_argument("-i", "--image", required=True,
    	help="path to input image")
    args = vars(ap.parse_args())
    
    FACIAL_LANDMARKS_68_IDXS = OrderedDict([
    	("mouth", (48, 68)),
    	("right_eyebrow", (17, 22)),
    	("left_eyebrow", (22, 27)),
    	("right_eye", (36, 42)),
    	("left_eye", (42, 48)),
    	("nose", (27, 36)),
    	("jaw", (0, 17))
    ])
    
    
    FACIAL_LANDMARKS_5_IDXS = OrderedDict([
    	("right_eye", (2, 3)),
    	("left_eye", (0, 1)),
    	("nose", (4))
    ])
    
    def shape_to_np(shape, dtype="int"):
    	# 创建68*2
    	coords = np.zeros((shape.num_parts, 2), dtype=dtype)
    	# 遍历每一个关键点
    	# 得到坐标
    	for i in range(0, shape.num_parts):
    		coords[i] = (shape.part(i).x, shape.part(i).y)
    	return coords
    
    def visualize_facial_landmarks(image, shape, colors=None, alpha=0.75):
    	# 创建两个copy
    	# overlay and one for the final output image
    	overlay = image.copy()
    	output = image.copy()
    	# 设置一些颜色区域
    	if colors is None:
    		colors = [(19, 199, 109), (79, 76, 240), (230, 159, 23),
    			(168, 100, 168), (158, 163, 32),
    			(163, 38, 32), (180, 42, 220)]
    	# 遍历每一个区域
    	for (i, name) in enumerate(FACIAL_LANDMARKS_68_IDXS.keys()):
    		# 得到每一个点的坐标
    		(j, k) = FACIAL_LANDMARKS_68_IDXS[name]
    		pts = shape[j:k]
    		# 检查位置
    		if name == "jaw":
    			# 用线条连起来
    			for l in range(1, len(pts)):
    				ptA = tuple(pts[l - 1])
    				ptB = tuple(pts[l])
    				cv2.line(overlay, ptA, ptB, colors[i], 2)
    		# 计算凸包
    		else:
    			hull = cv2.convexHull(pts)
    			cv2.drawContours(overlay, [hull], -1, colors[i], -1)
    	# 叠加在原图上,可以指定比例
    	cv2.addWeighted(overlay, alpha, output, 1 - alpha, 0, output)
    	return output
    
    # 加载人脸检测与关键点定位
    detector = dlib.get_frontal_face_detector()
    predictor = dlib.shape_predictor(args["shape_predictor"])
    
    # 读取输入数据,预处理
    image = cv2.imread(args["image"])
    (h, w) = image.shape[:2]
    width=500
    r = width / float(w)
    dim = (width, int(h * r))
    image = cv2.resize(image, dim, interpolation=cv2.INTER_AREA)
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    
    # 人脸检测
    rects = detector(gray, 1)
    
    # 遍历检测到的框
    for (i, rect) in enumerate(rects):
    	# 对人脸框进行关键点定位
    	# 转换成ndarray
    	shape = predictor(gray, rect)
    	shape = shape_to_np(shape)
    
    	# 遍历每一个部分
    	for (name, (i, j)) in FACIAL_LANDMARKS_68_IDXS.items():
    		clone = image.copy()
    		cv2.putText(clone, name, (10, 30), cv2.FONT_HERSHEY_SIMPLEX,
    			0.7, (0, 0, 255), 2) 
    
    		# 根据位置画点
    		for (x, y) in shape[i:j]:
    			cv2.circle(clone, (x, y), 3, (0, 0, 255), -1)
    
    		# 提取ROI区域
    		(x, y, w, h) = cv2.boundingRect(np.array([shape[i:j]]))
    		
    		roi = image[y:y + h, x:x + w]
    		(h, w) = roi.shape[:2]
    		width=250
    		r = width / float(w)
    		dim = (width, int(h * r))
    		roi = cv2.resize(roi, dim, interpolation=cv2.INTER_AREA)
    		
    		# 显示每一部分
    		cv2.imshow("ROI", roi)
    		cv2.imshow("Image", clone)
    		cv2.waitKey(0)
    
    	# 展示所有区域
    	output = visualize_facial_landmarks(image, shape)
    	cv2.imshow("Image", output)
    	cv2.waitKey(0)
    

    在这里插入图片描述
    在这里插入图片描述
    最终将7个人的人脸都依次的检测到了。并且根据关键点定位到了。
    在这里插入图片描述

    🔎支持🎁🎁🎁如果觉得博主的文章还不错或者您用得到的话,可以免费的关注一下博主,如果三连收藏支持就更好啦!这就是给予我最大的支持!

    • 162
      点赞
    • 335
      收藏
    • 打赏
      打赏
    • 197
      评论

    “相关推荐”对你有帮助么?

    • 非常没帮助
    • 没帮助
    • 一般
    • 有帮助
    • 非常有帮助
    提交
    ??2022 CSDN 皮肤主题:护眼 设计师:闪电赇 返回首页
    评论 197

    打赏作者

    吃猫的鱼python

    你的鼓励将是我创作的最大动力

    ¥2 ¥4 ¥6 ¥10 ¥20
    输入1-500的整数
    余额支付 (余额:-- )
    扫码支付
    扫码支付:¥2
    获取中
    扫码支付

    您的余额不足,请更换扫码支付或充值

    打赏作者

    实付
    使用余额支付
    点击重新获取
    扫码支付
    钱包余额 0

    抵扣说明:

    1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
    2.余额无法直接购买下载,可以购买VIP、C币套餐、付费专栏及课程。

    余额充值
    正在播放爆乳人妻在线