50行Python代码实现人脸检测

现在的人脸识别技术已经得到了非常广泛的应用，支付领域、身份验证、美颜相机里都有它的应用。用iPhone的同学们应该对下面的功能比较熟悉

iPhone的照片中有一个“人物”的功能，能够将照片里的人脸识别出来并分类，背后的原理也是人脸识别技术。

这篇文章主要介绍怎样用Python实现人脸检测。人脸检测是人脸识别的基础。人脸检测的目的是识别出照片里的人脸并定位面部特征点，人脸识别是在人脸检测的基础上进一步告诉你这个人是谁。

好了，介绍就到这里。接下来，开始准备我们的环境。

准备工作

本文的人脸检测基于dlib，dlib依赖Boost和cmake，所以首先需要安装这些包，以Ubuntu为例：

 
 
 
 
      
  
  
  
  1. $ sudo apt-get install build-essential cmake 
    2.   
  
  
  
  2.  
    3.   
  
  
  
  3. $ sudo apt-get install libgtk-3-dev 
    4.   
  
  
  
  4.  
    5.   
  
  
  
  5. $ sudo apt-get install libboost-all-dev 
    6.

我们的程序中还用到numpy，opencv，所以也需要安装这些库：

 
 
 
 
      
  
  
  
  1. $ pip install numpy 
    2.   
  
  
  
  2.  
    3.   
  
  
  
  3. $ pip install scipy 
    4.   
  
  
  
  4.  
    5.   
  
  
  
  5. $ pip install opencv-python 
    6.   
  
  
  
  6.  
    7.   
  
  
  
  7. $ pip install dlib 
    8.

人脸检测基于事先训练好的模型数据，从这里可以下到模型数据

 
 
 
 
      
  
  
  
  1. http://dlib.net/files/shape_predictor_68_face_landmarks.dat.bz2 
    2.

下载到本地路径后解压，记下解压后的文件路径，程序中会用到。

dlib的人脸特征点

上面下载的模型数据是用来估计人脸上68个特征点(x, y)的坐标位置，这68个坐标点的位置如下图所示：

我们的程序将包含两个步骤：

***步，在照片中检测人脸的区域

第二部，在检测到的人脸区域中，进一步检测器官（眼睛、鼻子、嘴巴、下巴、眉毛）

人脸检测代码

我们先来定义几个工具函数：

 
 
 
 
      
  
  
  
  1. def rect_to_bb(rect): 
    2.   
  
  
  
  2.  
    3.   
  
  
  
  3.     x = rect.left() 
    4.   
  
  
  
  4.  
    5.   
  
  
  
  5.     y = rect.top() 
    6.   
  
  
  
  6.  
    7.   
  
  
  
  7.     w = rect.right() - x  
    8.   
  
  
  
  8.  
    9.   
  
  
  
  9.     h = rect.bottom() - y      
    10.   
  
  
  
  10.  
    11.   
  
  
  
  11.    return (x, y, w, h) 
    12.

这个函数里的rect是dlib脸部区域检测的输出。这里将rect转换成一个序列，序列的内容是矩形区域的边界信息。

 
 
 
 
      
  
  
  
  1. def shape_to_np(shape, dtype="int"): 
    2.   
  
  
  
  2.  
    3.   
  
  
  
  3.     coords = np.zeros((68, 2), dtype=dtype)     
    4.   
  
  
  
  4.  
    5.   
  
  
  
  5.     for i in range(0, 68): 
    6.   
  
  
  
  6.  
    7.   
  
  
  
  7.             coords[i] = (shape.part(i).x, shape.part(i).y)     
    8.   
  
  
  
  8.  
    9.   
  
  
  
  9.    return coords 
    10.

这个函数里的shape是dlib脸部特征检测的输出，一个shape里包含了前面说到的脸部特征的68个点。这个函数将shape转换成Numpy array，为方便后续处理。

 
 
 
 
      
  
  
  
  1. def  resize(image, width=1200): 
    2.   
  
  
  
  2.  
    3.   
  
  
  
  3.     r = width * 1.0 / image.shape[1] 
    4.   
  
  
  
  4.  
    5.   
  
  
  
  5.     dim = (width, int(image.shape[0] * r))  
    6.   
  
  
  
  6.  
    7.   
  
  
  
  7.     resized = cv2.resize(image, dim, interpolation=cv2.INTER_AREA)     
    8.   
  
  
  
  8.  
    9.   
  
  
  
  9.     return resized 
    10.

这个函数里的image就是我们要检测的图片。在人脸检测程序的***，我们会显示检测的结果图片来验证，这里做resize是为了避免图片过大，超出屏幕范围。

接下来，开始我们的主程序部分

 
 
 
 
      
  
  
  
  1. import sys import numpy as np 
    2.   
  
  
  
  2.  
    3.   
  
  
  
  3. import dlib import cv2  
    4.   
  
  
  
  4.  
    5.   
  
  
  
  5. if len(sys.argv) < 2:     
    6.   
  
  
  
  6.  
    7.   
  
  
  
  7.     print "Usage: %s " % sys.argv[0] 
    8.   
  
  
  
  8.  
    9.   
  
  
  
  9.     sys.exit(1) 
    10.   
  
  
  
  10.  
    11.   
  
  
  
  11. image_file = sys.argv[1] 
    12.   
  
  
  
  12.  
    13.   
  
  
  
  13. detector = dlib.get_frontal_face_detector() 
    14.   
  
  
  
  14.  
    15.   
  
  
  
  15. predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat") 
    16.

我们从sys.argv[1]参数中读取要检测人脸的图片，接下来初始化人脸区域检测的detector和人脸特征检测的predictor。shape_predictor中的参数就是我们之前解压后的文件的路径。

 
 
 
 
      
  
  
  
  1. image = cv2.imread(image_file) 
    2.   
  
  
  
  2.  
    3.   
  
  
  
  3. image = resize(image, width=1200) 
    4.   
  
  
  
  4.  
    5.   
  
  
  
  5. gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) 
    6.   
  
  
  
  6.  
    7.   
  
  
  
  7. rects = detector(gray, 1) 
    8.

在检测特征区域前，我们先要检测人脸区域。这段代码调用opencv加载图片，resize到合适的大小，转成灰度图，***用detector检测脸部区域。因为一张照片可能包含多张脸，所以这里得到的是一个包含多张脸的信息的数组rects。

 
 
 
 
      
  
  
  
  1. for (i, rect) in enumerate(rects): 
    2.   
  
  
  
  2.  
    3.   
  
  
  
  3.     shape = predictor(gray, rect) 
    4.   
  
  
  
  4.  
    5.   
  
  
  
  5.     shape = shape_to_np(shape) 
    6.   
  
  
  
  6.  
    7.   
  
  
  
  7.     (x, y, w, h) = rect_to_bb(rect) 
    8.   
  
  
  
  8.  
    9.   
  
  
  
  9.     cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2) 
    10.   
  
  
  
  10.  
    11.   
  
  
  
  11.     cv2.putText(image, "Face #{}".format(i + 1), (x - 10, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)     
    12.   
  
  
  
  12.  
    13.   
  
  
  
  13. for (x, y) in shape: 
    14.   
  
  
  
  14.  
    15.   
  
  
  
  15.             cv2.circle(image, (x, y), 2, (0, 0, 255), -1)  
    16.   
  
  
  
  16.  
    17.   
  
  
  
  17. cv2.imshow("Output", image) 
    18.   
  
  
  
  18.  
    19.   
  
  
  
  19. cv2.waitKey(0) 
    20.

对于每一张检测到的脸，我们进一步检测脸部的特征（鼻子、眼睛、眉毛等）。对于脸部区域，我们用绿色的框在照片上标出；对于脸部特征，我们用红色的点标出来。

***我们把加了检测标识的照片显示出来，waitKey(0)表示按任意键可退出程序。

以上是我们程序的全部

测试

接下来是令人兴奋的时刻，检验我们结果的时刻到来了。

下面是原图

下面是程序识别的结果

可以看到脸部区域被绿色的长方形框起来了，脸上的特征（鼻子，眼睛等）被红色点点标识出来了。

是不是很简单？

网页标题：50行Python代码实现人脸检测
网站网址：http://www.shufengxianlan.com/qtweb/news6/351206.html

网站建设、网络推广公司-创新互联，是专注品牌与效果的网站制作，网络营销seo公司；服务项目有等

广告

声明：本网站发布的内容（图片、视频和文字）以用户投稿、用户转载内容为主，如果涉及侵权请尽快告知，我们将会在第一时间删除。文章观点不代表本网站立场，如需处理请联系客服。电话：028-86922220；邮箱：631063699@qq.com。内容未经允许不得转载，或转载时需注明来源： 创新互联

猜你还喜欢下面的内容

定制网站知识

行业网站建设

深圳纱窗安装　　 　手提袋印刷制作　　 　成都app制作　　 　小谭建站　　 　ssl证书申请　　 　成都防护栏　　 　虚拟主机　　 　成都花箱厂家　　 　成都康明斯发电机　　 　成都网站推广　　 　成都微信小程序开发　　 　成都门户网站建设　　 　腾讯云香港免备案空间　　 　犀浦雨棚定制　　 　德昌麦琪建站　　 　绵阳主机托管　　 　成都做网站　　 　成都学生服定制　　 　成都网站改版　　 　品牌网站建设