5點(diǎn)面部標(biāo)志檢測(cè)器

• • 1. 5點(diǎn)與68點(diǎn)面部標(biāo)志檢測(cè)器效果對(duì)比
  • 2. 各種人臉檢測(cè)器算法的優(yōu)劣對(duì)比
  • 3. 如何在自己的腳本中實(shí)現(xiàn)五點(diǎn)面部標(biāo)志檢測(cè)器
  • 4. 5點(diǎn)面部標(biāo)志檢測(cè)器的局限性
  • 5. 源碼
  • 6. 參考

1. 5點(diǎn)與68點(diǎn)面部標(biāo)志檢測(cè)器效果對(duì)比

68點(diǎn)面部標(biāo)志檢測(cè)器把面部分為眉毛、眼睛、鼻子、嘴巴、下頜五部分；
5點(diǎn)面部標(biāo)志檢測(cè)器將面部分為5個(gè)點(diǎn)，左眼2點(diǎn)、右眼2點(diǎn)、鼻子1點(diǎn)；

68點(diǎn)面部標(biāo)志檢測(cè)器（模型【99.7M】）
5點(diǎn)面部標(biāo)志檢測(cè)器（相比68點(diǎn)，速度快10%、效率更高、模型小10倍【9.2M】），小十倍的模型！對(duì)于移動(dòng)應(yīng)用程序用戶的下載時(shí)間/資源上一個(gè)極大的進(jìn)步；

68點(diǎn)面部標(biāo)志檢測(cè)器效果圖：

5點(diǎn)面部標(biāo)志檢測(cè)效果圖：

2. 各種人臉檢測(cè)器算法的優(yōu)劣對(duì)比

• Haar級(jí)聯(lián)：快速，但準(zhǔn)確性較低。調(diào)整參數(shù)可能會(huì)很麻煩；
• HOG +線性SVM：通常（顯著）比Haar級(jí)聯(lián)更準(zhǔn)確，假陽性更少。在測(cè)試時(shí)需要調(diào)整的參數(shù)較少。與Haar級(jí)聯(lián)相比，速度可能較慢。
• 基于深度學(xué)習(xí)的檢測(cè)器：經(jīng)過正確培訓(xùn)，其比Haar級(jí)聯(lián)和HOG +線性SVM顯著更準(zhǔn)確，更耐用。根據(jù)模型的深度和復(fù)雜性，它可能非常慢。可以通過在GPU上執(zhí)行檢測(cè)來加快速度；

對(duì)于不同的平臺(tái)，實(shí)現(xiàn)不同的功能，在選擇那種人臉檢測(cè)器需要考慮這些準(zhǔn)則；

3. 如何在自己的腳本中實(shí)現(xiàn)五點(diǎn)面部標(biāo)志檢測(cè)器

1） 加載模型，加載圖片
2） 面部檢測(cè)，面部標(biāo)志檢測(cè)
3） 繪制每個(gè)點(diǎn)在圖像上

4. 5點(diǎn)面部標(biāo)志檢測(cè)器的局限性

5點(diǎn)面部標(biāo)志檢測(cè)器（左眼2點(diǎn)、右眼2點(diǎn)、鼻子1點(diǎn)）的一個(gè)良好應(yīng)用是面部對(duì)齊，比68點(diǎn)更高效；

但在眨眼檢測(cè)，疲勞駕駛檢測(cè)（核心：計(jì)算眼睛的EAR（眼睛的縱橫比），在某個(gè)瞬間達(dá)到0）時(shí)，則必須需要使用68點(diǎn)面部標(biāo)志檢測(cè)器，以及任何其他需要了解更多面部細(xì)節(jié)（如鼻子、嘴巴、眉毛、下頜）的應(yīng)用程序也需要使用68點(diǎn)面部標(biāo)志檢測(cè)器。

5. 源碼

# python faster_facial_landmarks.py --shape-predictor shape_predictor_5_face_landmarks.dat --image images/03.jpg
# python faster_facial_landmarks.py --shape-predictor shape_predictor_68_face_landmarks.dat --image images/03.jpg# 導(dǎo)入必要的包
from imutils import face_utils
import argparse
import imutils
import dlib
import cv2# 構(gòu)建命令行參數(shù)，解析參數(shù)
# --shape-predictor 面部標(biāo)志檢測(cè)器模型路徑
# --image 圖像路徑
ap = argparse.ArgumentParser()
ap.add_argument("-p", "--shape-predictor", required=True,help="path to facial landmark predictor")
ap.add_argument("-i", "--image", required=True,help="path to input image")
args = vars(ap.parse_args())# 初始化dlib基于 HOG的面部檢測(cè)器
# 初始化面部標(biāo)志檢測(cè)器
print("[INFO] loading facial landmark predictor...")
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor(args["shape_predictor"])# 加載圖像，保持寬高比的縮放到寬度為500像素，轉(zhuǎn)換為灰度圖
image = cv2.imread(args["image"])
image = imutils.resize(image, width=800)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 使用HOG+線性SVM檢測(cè)器 從灰度圖幀中檢測(cè)面部
rects = detector(gray, 0)# 判斷是否檢測(cè)到了面部，并打印檢測(cè)到的人臉數(shù)目在屏幕上
if len(rects) > 0:text = "{} face(s) found".format(len(rects))
cv2.putText(image, text, (10, 20), cv2.FONT_HERSHEY_SIMPLEX,0.5, (0, 0, 255), 2)# 遍歷每一個(gè)人臉
for rect in rects:# 計(jì)算人臉的邊界框，并打印在評(píng)不上(bX, bY, bW, bH) = face_utils.rect_to_bb(rect)cv2.rectangle(image, (bX, bY), (bX + bW, bY + bH),(0, 255, 0), 1)# 從面部區(qū)域中檢測(cè)面部標(biāo)志# 轉(zhuǎn)換檢測(cè)到的面部標(biāo)志坐標(biāo)為Numpy數(shù)組shape = predictor(gray, rect)shape = face_utils.shape_to_np(shape)# 遍歷每一個(gè)面部標(biāo)志結(jié)果的（x, y）像素，并繪制小圓圈在屏幕上for (i, (x, y)) in enumerate(shape):cv2.circle(image, (x, y), 1, (0, 0, 255), -1)cv2.putText(image, str(i + 1), (x - 10, y - 10),cv2.FONT_HERSHEY_SIMPLEX, 0.35, (0, 0, 255), 1)# 展示圖片
cv2.imshow("image", image)
cv2.waitKey(0)
cv2.destroyAllWindows()

6. 參考

• https://www.pyimagesearch.com/2018/04/02/faster-facial-landmark-detector-with-dlib/#download-the-code