当前位置：服务支持 > 软件文章 > 2026年PRN人脸对齐怎么实现？Jupyter全流程实战

2026年PRN人脸对齐怎么实现？Jupyter全流程实战

阅读数 1747

做人脸识别研究的朋友，2026年复现Pairwise Relational Networks（PRN）论文时，预处理阶段最头疼的就是人脸对齐。关键点检测不准、旋转后坐标错位，这些问题能卡你两三天。

人脸关键点检测与可视化怎么搞？

环境配置直接用现成的库。安装face_recognition，它封装了dlib的68点检测模型，调用起来比原生dlib省心太多。导入图片用OpenCV，但显示用PIL或Matplotlib，因为OpenCV的BGR通道和RGB是反的。

import cv2
import numpy as np
import face_recognition
from PIL import Image
import matplotlib.pyplot as plt

img_path = '/dataset/lfw_test/Aishwarya_Rai/Aishwarya_Rai_0001.jpg'
image_array = cv2.imread(img_path)
检测关键点用face_recognition.face_landmarks()。参数model="large"返回68个点（眉毛、眼睛、鼻子、嘴唇、下巴轮廓），model="small"只返回5个点（双眼、鼻尖、嘴角）。复现PRN建议用68点，精度够高。
拿到字典格式的landmarks_dict后，写个可视化函数验证一下。把下巴、左眼、右眼这些特征点画在原图上，确保检测位置没错。如果下巴线歪了或者眼睛没框住，说明图片质量太差，得换数据源。

基于眼部中心的人脸对齐算法

人脸对齐的核心是消除姿态差异。PRN论文里强调，双眼必须保持水平，不然3D重建会出问题。

算法逻辑很直观：

分别算出左眼和右眼的几何中心点。
计算这两点连线与水平线的夹角。
以双眼中心为旋转基点，把整张图旋转回去。

def align_face(image_array, landmarks):
    left_eye = landmarks['left_eye']
    right_eye = landmarks['right_eye']
    
    left_eye_center = np.mean(left_eye, axis=0).astype("int")
    right_eye_center = np.mean(right_eye, axis=0).astype("int")
    
    dy = right_eye_center[1] - left_eye_center[1]
    dx = right_eye_center[0] - left_eye_center[0]
    angle = math.atan2(dy, dx) * 180. / math.pi
    
    eye_center = ((left_eye_center[0] + right_eye_center[0]) // 2,
                  (left_eye_center[1] + right_eye_center[1]) // 2)
    
    rotate_matrix = cv2.getRotationMatrix2D(eye_center, angle, 1)
    rotated_img = cv2.warpAffine(image_array, rotate_matrix, (image_array.shape[1], image_array.shape[0]))
    return rotated_img, eye_center, angle
    旋转图片后，关键点坐标也必须跟着旋转。这是最容易漏的一步。图片坐标系的原点在左上角，而数学里的平面直角坐标系原点在中心，旋转公式要做Y轴翻转处理。

自适应裁剪与关键点坐标变换

对齐后的脸，大小不一。喂给神经网络前，得裁成统一尺寸。这里有两个坑：一是裁多大，二是坐标怎么变。

PRN论文的裁剪逻辑更科学：不以固定像素裁剪，而以五官比例裁剪。

垂直方向：两眼中心到嘴巴中心的距离占35%。
顶部：占30%（额头部分）。
底部：占35%（下巴部分）。
水平方向：以脸颊最宽处（下巴轮廓）的中心为准。

def corp_face(image_array, landmarks):
    eye_center = np.mean(landmarks['left_eye'] + landmarks['right_eye'], axis=0).astype("int")
    mouth_center = np.mean(landmarks['top_lip'] + landmarks['bottom_lip'], axis=0).astype("int")
    
    mid_part = mouth_center[1] - eye_center[1]
    top = eye_center[1] - mid_part * 30 / 35
    bottom = mouth_center[1] + mid_part
    
    w = h = bottom - top # 保证裁剪区域是正方形
    
    # ... (省略左右边界计算)
    cropped_img = Image.fromarray(image_array).crop((left, top, right, bottom))
    return np.array(cropped_img)
    裁剪完，关键点坐标还要做一次平移变换。原坐标是相对于整张大图的，现在要变成相对于裁剪后小图的左上角。

def transfer_landmark(landmarks, left, top):
    new_landmarks = {}
    for key, points in landmarks.items():
        new_landmarks[key] = [(p[0] - left, p[1] - top) for p in points]
    return new_landmarks
    做完这一步，把裁剪后的图和变换后的点画在一起看看。如果点正好落在眼睛、鼻子上，恭喜你，预处理完美闭环。这套流程跑通了，后面训练PRN模型才不会出玄学Bug。

武汉格发信息技术有限公司，格发许可优化管理系统可以帮你评估贵公司软件许可的真实需求，再低成本合规性管理软件许可,帮助贵司提高软件投资回报率，为软件采购、使用提供科学决策依据。支持的软件有: CAD,CAE,PDM,PLM,Catia,Ugnx, AutoCAD, Pro/E, Solidworks 等。

返回上级列表