Python用dilb提取照片上人脸的示例

上代码： #coding=utf-8 import cv2 import dlib path = "imagePath/9.jpg" img = cv2.imread(path) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) #人脸分类器 detector = dlib.get_frontal_face_detector() # 获取人脸检测器 predictor = dlib.shape_predictor( "shape_predictor_68_face_landmarks.dat" ) color = (0, 255, 0) # 定义绘 在Python中，提取照片上的人脸是一项常见的计算机视觉任务，通常用于人脸识别、表情分析或面部特征检测等应用。本示例使用了`dlib`库，这是一个强大的C++库，提供了许多机器学习算法，其中包括人脸检测和关键点定位。这里我们将深入探讨如何使用`dlib`来提取和处理人脸。 确保已经安装了`dlib`和`opencv-python`库，可以通过pip安装： ```bash pip install dlib pip install opencv-python ``` 在代码中，我们首先导入必要的库： ```python import cv2 import dlib ``` `cv2`是OpenCV库，用于图像处理，而`dlib`则是用于人脸检测和关键点定位。 接着，读取图片并转换为灰度图像，因为人脸检测通常在灰度图像上进行，这样可以提高处理速度： ```python path = "imagePath/9.jpg" img = cv2.imread(path) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ``` 然后，我们需要一个`detector`来检测图像中的人脸。`dlib`提供了一个预训练的模型`get_frontal_face_detector()`，它能快速找到正面对着相机的人脸： ```python detector = dlib.get_frontal_face_detector() ``` 为了获取更详细的人脸特征，如眼睛、鼻子、嘴唇的位置，我们需要一个预测器`predictor`。这个预测器是预先训练好的模型，可以预测68个人脸关键点的位置： ```python predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat") ``` 注意，`shape_predictor_68_face_landmarks.dat`文件需要下载并放在正确的位置，它是包含68个关键点模型的数据文件。 在检测到人脸后，我们可以遍历每个检测到的面部区域，使用预测器找出关键点，并在图像上标记出来： ```python color = (0, 255, 0) # 定义绘图颜色 dets = detector(gray, 1) for face in dets: shape = predictor(img, face) for pt in shape.parts(): pt_pos = (pt.x, pt.y) # 在图像上画出关键点 cv2.circle(img, pt_pos, 1, color, 1) ``` 此外，我们还可以计算出人脸的边界框，以裁剪出单独的人脸部分： ```python x1 = max([pt.x for pt in shape.parts()]) x2 = min([pt.x for pt in shape.parts()]) y1 = max([pt.y for pt in shape.parts()]) y2 = min([pt.y for pt in shape.parts()]) cv2.rectangle(img, (x2, y2), (x1, y1), color, 1) cropped = img[y2+1:y1, x2+1:x1] ``` 显示裁剪出的人脸，并提供保存选项： ```python cv2.imshow("image", cropped) k = cv2.waitKey(0) if k == ord("s"): cv2.imwrite("imagePath/9-7.png", cropped) cv2.destroyAllWindows() ``` 整个过程就是这样，通过`dlib`库和`opencv-python`，我们可以方便地在Python中提取和处理人脸，这在许多应用场景中都非常有用，例如安全监控、社交媒体分析、虚拟现实等。通过扩展，可以进一步实现更复杂的功能，如人脸识别、表情识别等。