OpenCV实现人脸对齐（Face Alignment）完整教程

重磅干货，第一时间送达

一、人脸对齐介绍

在人脸识别中有一个重要的预处理步骤-人脸对齐，该操作可以大幅度提高人脸识别的准确率与稳定性，但是早期的OpenCV版本不支持人脸Landmark检测，因此一般都是通过对人脸进行分割，然后通过角点检测来寻找眼睛两个角点，连线之后根据它们有水平线的角度，旋转实现人脸对齐之后在提取人脸区域，OpenCV3.x版本开始支持获取Landmark数据，最常见的Landmark数据就是人脸的68个标准点位，图示如下：

实现对齐主要是基于眼睛的位置，对人脸倾斜进行几何变换，实现人脸对齐操作，人脸对齐对提高人脸识别率特别重要，常见的人脸识别系统都会包含人脸对齐操作，举例如下：

二、人脸对齐代码实现

基于OpenCV实现人脸对齐主要分为如下几步

1.人脸检测器定义与Landmark检测

OpenCV中通过HAAR或者LBP特征实现了人脸检测，最新的OpenCV3.4基于残差网络也实现了人脸检测，相关的文章可以阅读：

OpenCV基于残差网络实现人脸检测

详解LBP特征与应用(人脸识别)

有了人脸之后，我们就可以通过加载预训练的Landmark检测模型，实现Landmark检测，这里使用的模型是局部二值特征(LBF-Local Binary Feature)实现人脸68个点位的检测，这个也是2014年CVPR的一篇论文。最新的OpenCV3.4 Landmark检测器支持自定义人脸检测器设置，所以只要把我们上面的HAAR/LBP/残差人脸检测器设置过去就会自动检测人脸，然后发现Landmark数据。整个代码实现如下：

// 创建LBF landmark 检测器Ptr<FacemarkLBF> facemark = FacemarkLBF::create(params);facemark->setFaceDetector((FN_FaceDetector)myDetector, &face_cascade);// 加载模型数据facemark->loadModel("https://www.gofarlic.com/vcprojects/images/lbfmodel.yaml");cout << "Loaded model" << endl;// 开始检测printf("start to detect landmarks...\n");vector<Rect> faces;facemark->getFaces(img, faces);vector< vector<Point2f> > shapes;if (facemark->fit(img, faces, shapes)){    Point eye_left; // 36th    Point eye_right; // 45th    for (unsigned long i = 0; i<faces.size(); i++) {        eye_left = shapes[i][36];        eye_right = shapes[i][45];        line(img, eye_left, eye_right, Scalar(255, 0, 0), 2, 8, 0);        face_alignment(img(faces[i]), eye_left, eye_right, faces[i]);        // 绘制人脸矩形区域        rectangle(img, faces[i], Scalar(255, 0, 0));        // 绘制人脸68个 landmark点位        for (unsigned long k = 0; k<shapes[i].size(); k++)            cv::circle(img, shapes[i][k], 2, cv::Scalar(0, 0, 255), FILLED);    }    namedWindow("Detected_shape");    imshow("Detected_shape", img);    waitKey(0);}

2.Landmark数据处理

对Landmark数据提取获得眼睛位置坐标，这里我们获取的是36与45两个点坐标计算角度（参照第一张图），然后通过几何变换实现人脸对齐操作。代码如下：

int offsetx = roi.x;int offsety = roi.y;// 计算中心位置int cx = roi.width / 2;int cy = roi.height / 2;// 计算角度int dx = right.x - left.x;int dy = right.y - left.y;double degree = 180 * ((atan2(dy, dx)) / CV_PI);// 旋转矩阵计算Mat M = getRotationMatrix2D(Point2f(cx, cy), degree, 1.0);Point2f center(cx, cy);Rect bbox = RotatedRect(center, face.size(), degree).boundingRect();M.at<double>(0, 2) += (bbox.width / 2.0 - center.x);M.at<double>(1, 2) += (bbox.height / 2.0 - center.y);// 对齐Mat result;warpAffine(face, result, M, bbox.size());imshow("face-alignment", result);

3.运行效果

完整的程序代码如下：

#include <opencv2/opencv.hpp>#include <opencv2/face.hpp>#include <math.h>#include <iostream>using namespace cv;using namespace cv::face;using namespace std;const String  lbpfilePath = "https://www.gofarlic.com/opencv-3.4/opencv/build/etc/lbpcascades/lbpcascade_frontalface.xml";bool myDetector(InputArray image, OutputArray faces, CascadeClassifier *face_cascade);void face_alignment(Mat &face, Point left, Point right, Rect roi);int main(int argc, char** argv) {    Mat img = imread("https://www.gofarlic.com/vcprojects/images/gaoyy.png");    namedWindow("input", CV_WINDOW_AUTOSIZE);    imshow("input", img);    CascadeClassifier face_cascade;    face_cascade.load(lbpfilePath);    FacemarkLBF::Params params;    params.n_landmarks = 68; // 68个标注点    params.initShape_n = 10;    params.stages_n = 5; // 算法的5个强化步骤    params.tree_n = 6; // 模型中每个标注点结构树 数目    params.tree_depth = 5; // 决策树深度    // 创建LBF landmark 检测器    Ptr<FacemarkLBF> facemark = FacemarkLBF::create(params);    facemark->setFaceDetector((FN_FaceDetector)myDetector, &face_cascade);    // 加载模型数据    facemark->loadModel("https://www.gofarlic.com/vcprojects/images/lbfmodel.yaml");    cout << "Loaded model" << endl;    // 开始检测    printf("start to detect landmarks...\n");    vector<Rect> faces;    facemark->getFaces(img, faces);    vector< vector<Point2f> > shapes;    if (facemark->fit(img, faces, shapes))    {        Point eye_left; // 36th        Point eye_right; // 45th        for (unsigned long i = 0; i<faces.size(); i++) {            eye_left = shapes[i][36];            eye_right = shapes[i][45];            line(img, eye_left, eye_right, Scalar(255, 0, 0), 2, 8, 0);            face_alignment(img(faces[i]), eye_left, eye_right, faces[i]);            // 绘制人脸矩形区域            rectangle(img, faces[i], Scalar(255, 0, 0));            // 绘制人脸68个 landmark点位            for (unsigned long k = 0; k<shapes[i].size(); k++)                cv::circle(img, shapes[i][k], 2, cv::Scalar(0, 0, 255), FILLED);        }        namedWindow("Detected_shape");        imshow("Detected_shape", img);        waitKey(0);    }    return 0;}bool myDetector(InputArray image, OutputArray faces, CascadeClassifier *face_cascade){    Mat gray;    if (image.channels() > 1)        cvtColor(image, gray, COLOR_BGR2GRAY);    else        gray = image.getMat().clone();    equalizeHist(gray, gray);    std::vector<Rect> faces_;    face_cascade->detectMultiScale(gray, faces_, 1.1, 1, CASCADE_SCALE_IMAGE, Size(50, 50));    Mat(faces_).copyTo(faces);    return true;}void face_alignment(Mat &face, Point left, Point right, Rect roi) {    int offsetx = roi.x;    int offsety = roi.y;    // 计算中心位置    int cx = roi.width / 2;    int cy = roi.height / 2;    // 计算角度    int dx = right.x - left.x;    int dy = right.y - left.y;    double degree = 180 * ((atan2(dy, dx)) / CV_PI);    // 旋转矩阵计算    Mat M = getRotationMatrix2D(Point2f(cx, cy), degree, 1.0);    Point2f center(cx, cy);    Rect bbox = RotatedRect(center, face.size(), degree).boundingRect();    M.at<double>(0, 2) += (bbox.width / 2.0 - center.x);    M.at<double>(1, 2) += (bbox.height / 2.0 - center.y);    // 对齐    Mat result;    warpAffine(face, result, M, bbox.size());    imshow("face-alignment", result);}

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲

在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲

在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删