在线会议中人脸面部轮廓图像提取（三）：Dlib库人脸面部轮廓特征提取

前言：所使用图片并无盈利等目的，如有侵犯他人肖像权请联系删除。

当当当当，第三期来廖！接上一期在线会议中人脸面部轮廓图像提取（二）——HOG人脸面部轮廓图像特征提取，介绍完 HOG  特征提取我们继续学习Dlib库提取特征叭！

1、人脸轮廓图像提取原理

在我们检测到人脸区域之后，接下来要研究的问题是获取到不同的脸部的特征，以区分不同人脸，即人脸特征检测(facial feature detection)。它也被称为人脸特征点检测( facial landmark detection )。

   人脸特征点通常会标识出脸部的下列数个区域：

• 右眼眉毛(Right eyebrow)
• 左眼眉毛(Left eyebrow)
• 右眼(Right eye)
• 左眼(Left eye)
• 嘴巴(Mouth)
• 鼻子(Nose)
• 下巴(Jaw)

检测人脸特征点，分为如下两步：

1. 第一步：定位图像中人脸区域；
2. 这一步我们可以使用之前学到过的 OpenCV中Harr检测器 或者 Dlib中HOG加SVM的检测器。

第一步：在人脸区域内检测出人脸关键特征；

   对于第二步，我们使用Dlib中的特征点检测。

   Dlib中使用的人脸特征检测的原理来自2014年，由Vahid Kazemi和 Josephine Sullivan在论文 《One Millisecond Face Alignment with an Ensemble of Regression Trees》中提出的人脸特征点评估的方法。

   论文中方法的主要思想是：

使用级联回归树（ensemble of regression trees, ERT），即使用级联回归因子，基于梯度提高学习的回归树方法。该方法首先需要使用一系列标定好的人脸图片作为训练集，然后会生成一个模型。使机器学习模型能够找出任何脸上的这些特征点。

简要的分为以下三步：

1. 定义一张脸上的68个具体的特征点(landmarks)；
2. 标记面部特征点，获得带标记的训练数据。需要手动标记图像上的面部特征点，标签指定围绕每个面部结构的区域；
3. 给定训练数据，训练回归树的集合，直接从像素强度本身估计面部界标位置，得到模型。

2、模型算法实现

Dlib提供两种 人脸检测 模型：

• shape_predictor_5_face_landmarks.dat：
  
      检测5个人脸特征关键点，即双眼的眼头及眼尾以及鼻头这五个位置。因为只检测五个点，所以执行速度很快。如图：
  
  
      5点人脸特征图
• shape_predictor_68_face_landmarks.dat：
  
      检测68个人脸特征关键点。如图：
  

68点人脸特征图

3、具体实践步骤

1. 利用Dlib的正向人脸检测器 get_frontal_face_detector()，进行人脸检测，提取人脸外部矩形框:

detector = dlib.get_frontal_face_detector()  
faces = detector(image, 1)  

返回的faces为识别出的脸部数组。

1. 利用训练好的人脸68点特征检测器，进行人脸面部轮廓特征提取：

predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")  
shape = predictor(image, face)  

1. 源码示例与解析：

import cv2
import dlib
# 读取图片
img_path = "C.jpg"
img = cv2.imread(img_path)
n = 2
img = cv2.resize(img, (0, 0), fx=1/n, fy=1/n, interpolation=cv2.INTER_NEAREST)
# 转换为灰阶图片
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 正向人脸检测器将图像
detector = dlib.get_frontal_face_detector()
# 使用训练好的68个特征点模型
predictor_path = "shape_predictor_68_face_landmarks.dat"
predictor = dlib.shape_predictor(predictor_path)
# 使用检测器来检测图像中的人脸
faces = detector(gray, 1)
# 打印结果
print("人脸数: ", len(faces))
for i, face in enumerate(faces):
	print("第", i+1, "个人脸的矩形框坐标：\n","left:", face.left(), "right:", face.right(), "top:", face.top(), "bottom:", face.bottom())
	# 获取人脸特征点
	shape = predictor(img, face)
	print("第", i+
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