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:
$sudoapt-getinstallbuild-essentialcmake $sudoapt-getinstalllibgtk-3-dev $sudoapt-getinstalllibboost-all-dev
我们的程序中还用到numpy,opencv,所以也需要安装这些库:
$pipinstallnumpy $pipinstallscipy $pipinstallopencv-python $pipinstalldlib
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,dlib.net/files/shape_predictor_68_face_landmarks.dat.bz2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:
第一步,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:
defrect_to_bb(rect): x=rect.left() y=rect.top() w=rect.right()-x h=rect.bottom()-y return(x,y,w,h)
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。
defshape_to_np(shape,dtype="int"): coords=np.zeros((68,2),dtype=dtype) foriinrange(0,68): coords[i]=(shape.part(i).x,shape.part(i).y) returncoords
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Numpyarray,为方便后续处理。
defresize(image,width=1200): r=width*1.0/image.shape[1] dim=(width,int(image.shape[0]*r)) resized=cv2.resize(image,dim,interpolation=cv2.INTER_AREA) returnresized
这个函数里的image就是我们要检测的图片。在人脸检测程序的最后,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
importsys importnumpyasnp importdlib importcv2 iflen(sys.argv)<2: print"Usage:%s<imagefile>"%sys.argv[0] sys.exit(1) image_file=sys.argv[1] detector=dlib.get_frontal_face_detector() predictor=dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")
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。
image=cv2.imread(image_file) image=resize(image,width=1200) gray=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY) rects=detector(gray,1)
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,最后用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。
for(i,rect)inenumerate(rects): shape=predictor(gray,rect) shape=shape_to_np(shape) (x,y,w,h)=rect_to_bb(rect) cv2.rectangle(image,(x,y),(x+w,y+h),(0,255,0),2) cv2.putText(image,"Face#{}".format(i+1),(x-10,y-10), cv2.FONT_HERSHEY_SIMPLEX,0.5,(0,255,0),2) for(x,y)inshape: cv2.circle(image,(x,y),2,(0,0,255),-1) cv2.imshow("Output",image) cv2.waitKey(0)
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。
最后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。最后想要了解更多关于Python发展前景趋势,请关注扣丁学堂python培训官网、微信等平台,扣丁学堂IT职业在线学习教育平台为您提供最新的Python视频教程系统,通过千锋扣丁学堂金牌讲师在线录制的Python视频教程课程,让你快速掌握Python从入门到精通开发实战技能。扣丁学堂Python技术交流群:816572891。