人臉對比是現在比較常用的功能，比如出租車司機人臉與司機駕照照片對比，門禁系統中進入者的人臉與人臉庫中的人臉進行對比。要實現人臉對比，首先要實現的是人臉檢測，在攝像頭拍攝到的一張圖片中，正確的檢測到人臉的位置，并且將人臉提取出來。

目錄

1 原理先知

? ? ? ??1.1 68點標定和OpenCV繪點

? ? ? ??1.2 編碼設計思路

? ? ? ??1.3 OpenCV畫圖函數介紹

2 環境說明

3 實驗內容

4 步驟詳解

? ? ? ??4.1 OpenCV實現人臉檢測

? ? ? ??4.2 人臉68點定位

---

1 原理先知

1.1 68點標定和OpenCV繪點

考慮到免費開源，OpenCV 就可以很好的實現這個功能。
這里使用OpenCV提供好的人臉分類模型xml：haarcascade_frontalface_alt_tree.xml。
同時利用Dlib官方給的人臉識別預測器“shape_predictor_68_face_landmarks.dat”進行68點標定（利用OpenCV進行圖像化處理，在人臉上畫出68個點，并標明序號）。

注：OpenCV人臉分類模型xml及Dlib人臉識別預測器下載地址
https://pan.baidu.com/s/1gZfYupoW9Zo_2lVV524cWA?
提取碼：w536?

人臉68點定位工作內容主要以下兩大塊：68點標定 和 OpenCV繪點

• 68點標定：dlib提供了訓練好的模型，可以識別人臉的68個特征點
• OpenCV繪點：畫圓函數cv2.circle() 和 輸出字符串函數 cv2.putText()

1.2 編碼設計思路

• 調用dlib庫來進行人臉識別，調用預測器“shape_predictor_68_face_landmarks.dat”
• 進行68點標定存入68個點坐標
• 利用cv2.circle來畫68個點
• 利用cv2.putText()函數來畫數字1-68

1.3 OpenCV畫圖函數介紹

畫圓 cv2.circle( img, (p1,p2), r, (255,255,255) )
img 圖片對象
(p1,p2) 圓心坐標
r 半徑
(255,255,255)? 顏色數組

輸出字符 cv2.putText( img,"test", (p1,p2), font, 4, (255,255,255), 2, cv2, LINE_AA )
img 圖像對象
"test"? 需要打印的字符 text（數字的話可以利用str()轉成字符）
(p1,p2) 坐標 textOrg
font 表示字體 fontFace（注意這里 font = cv2.FONT_HERSHEY_SIMPLEX）
4 表示字號 fontScale
(255,255,255) 顏色數組
2 線寬 thickness
LINE_AA 線條種類 line_type；

關于顏色數組：(255,255,255), (藍色，綠色，紅色)，每個值都是0-255。比如：藍色(255,0,0)，紫色(255,0,255)

2 環境說明

• Linux Ubuntu 16.04
• Python 3.6
• PyCharm Community2018
• Opencv-python 3.4.0.12

3 實驗內容

使用haarcascade_frontalface_alt_tree.xml人臉分類模型檢測人臉。

利用Dlib官方給的人臉識別預測器“shape_predictor_68_face_landmarks.dat”進行68點標定，利用OpenCV進行圖像化處理，在人臉上畫出68個點，并標明序號。

4 步驟詳解

4.1 OpenCV實現人臉檢測

首先將圖片轉換成灰色：使用 OpenCV 的 cvtColor() 轉換圖片顏色。

import cv2 filepath = "/data/opencv12/mv.jpg" img = cv2.imread(filepath) # 轉換灰色，目的是在人臉檢測時排除色彩的干擾 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 顯示圖像 cv2.imshow("original", img) cv2.imshow("Image", gray) cv2.waitKey(0) cv2.destroyAllWindows()

之后使用訓練分類器查找人臉：在使用 OpenCV 的人臉檢測之前，需要一個人臉訓練模型，格式是 xml 的，本實驗中使用的是 OpenCV 提供好的人臉分類模型 xml：haarcascade_frontalface_alt_tree.xml。
Haar 特征分類器就是一個 XML 文件，該文件中會描述人體各個部位的Haar特征值。包括人臉、眼睛、嘴唇等等。
OpenCV中人臉檢測使用的是 detectMultiScale函數。它可以檢測出圖片中所有的人臉，并將人臉用vector保存各個人臉的坐標、大小（用矩形表示）。

# 加載OpenCV人臉識別分類器 face_detector = cv.CascadeClassifier("haarcascade_frontalface_alt_tree.xml") # 調用函數識別人臉 faceRects = classifier.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=3, minSize=(32, 32))

最后在圖片上畫矩形：使用 OpenCV 的 rectangle() 繪制矩形。

color = (0, 255, 0) if len(faceRects): # 大于0則檢測到人臉 for faceRect in faceRects: # 單獨框出每一張人臉 x, y, w, h = faceRect # x、y表示坐標；w、h表示矩形寬和高 # 框出人臉 cv2.rectangle(img, (x, y), (x + h, y + w), color, 2) # 左眼 cv2.circle(img, (x + w // 4, y + h // 4 + 30), min(w // 8, h // 8),color) #右眼 cv2.circle(img, (x + 3 * w // 4, y + h // 4 + 30), min(w // 8, h // 8),color) #嘴巴 cv2.rectangle(img, (x + 3 * w // 8, y + 3 * h // 4),(x + 5 * w // 8, y + 7 * h // 8), color)

OpenCV實現人臉檢測完整代碼如下：

import cv2 filepath = "/data/opencv12/mv.jpg" img = cv2.imread(filepath) cv2.imshow("original", img) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) classifier = cv2.CascadeClassifier("/data/opencv12/haarcascade_frontalface_alt_tree.xml") faceRects = classifier.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=3, minSize=(32, 32)) color = (0, 255, 0) if len(faceRects): for faceRect in faceRects: x, y, w, h = faceRect cv2.rectangle(img, (x, y), (x + h, y + w), color, 2) cv2.circle(img, (x + w // 4, y + h // 4 + 30), min(w // 8, h // 8),color) cv2.circle(img, (x + 3 * w // 4, y + h // 4 + 30), min(w // 8, h // 8),color) cv2.rectangle(img, (x + 3 * w // 8, y + 3 * h // 4),(x + 5 * w // 8, y + 7 * h // 8), color) cv2.imshow("image", img) cv2.waitKey(0) cv2.destroyAllWindows()

OpenCV實現人臉檢測運行結果如下所示。

4.2 人臉68點定位

除了使用 OpenCV 實現人臉檢測之外，也可以借助比 OpenCV 更加精準的圖片人臉檢測 Dlib 庫實現人臉 68 點定位。

首先導入需要調用的庫。

import dlib #人臉識別的庫dlib from PIL import Image #圖像處理的庫PIL import numpy as np #數據處理的庫numpy import cv2 #圖像處理的庫OpenCv

之后讀取圖片，并將圖片轉換為灰度圖。

path = "/data/opencv12/mv.jpg" img = cv2.imread(path) cv2.imshow("original", img) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

接下來讀取訓練模型，就可以檢測臉部 68 特征點。

# 人臉分類器 detector = dlib.get_frontal_face_detector() # 獲取人臉檢測器 predictor = dlib.shape_predictor("/data/opencv12/shape_predictor_68_face_landmarks.dat")

最后在人臉上遍歷所有檢測點并打上標注,并標注 1-68 數字。

rects = detector(gray, 0) for i in range(len(rects)): landmarks = np.matrix([[p.x, p.y] for p in predictor(img, rects[i]).parts()]) # 尋找人臉的68個標定點 # 遍歷所有點，打印出其坐標，并圈出來,并標注1-68數字 for idx, point in enumerate(landmarks): pos = (point[0, 0], point[0, 1]) # 利用cv2.circle給每個特征點畫一個圈，共68個 cv2.circle(img, pos, 3, color=(0, 255, 0)) # 利用cv2.putText輸出1-68 font = cv2.FONT_HERSHEY_SIMPLEX cv2.putText(img, str(idx+1), pos, font, 0.3, (0, 0, 255), 1, cv2.LINE_AA)

人臉68點定位完整代碼如下：

import cv2 import dlib import numpy as np path = "/data/opencv12/mv.jpg" img = cv2.imread(path) cv2.imshow("original", img) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) detector = dlib.get_frontal_face_detector() predictor = dlib.shape_predictor("/data/opencv12/shape_predictor_68_face_landmarks.dat") rects = detector(gray, 0) for i in range(len(rects)): landmarks = np.matrix([[p.x, p.y] for p in predictor(img, rects[i]).parts()]) for idx, point in enumerate(landmarks): pos = (point[0, 0], point[0, 1]) cv2.circle(img, pos, 3, color=(0, 255, 0)) font = cv2.FONT_HERSHEY_SIMPLEX cv2.putText(img, str(idx+1), pos, font, 0.3, (0, 0, 255), 1, cv2.LINE_AA) cv2.imshow("imgdlib", img) cv2.waitKey(0) cv2.destroyAllWindows()

人臉68點定位運行結果如下所示。
可以發現，dlib檢測到人臉包括雙眼、鼻子、嘴巴在內并用68點標注過的圖片如下所示，并可以精準的定位檢測人臉。

---

歡迎留言，一起學習交流~

感謝閱讀

END

總結

以上是生活随笔為你收集整理的OpenCV实现人脸检测和68点定位的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。