《计算机视觉》—— 基于PyCharm中的dlib库实现人脸关键点定位

文章目录

  • [1. 安装必要的库](#1. 安装必要的库)
  • [2. 下载dlib的人脸检测器和关键点预测器模型](#2. 下载dlib的人脸检测器和关键点预测器模型)
  • [3. 编写代码](#3. 编写代码)

人脸关键点定位是指通过计算机视觉技术,识别和定位人脸图像中的关键点,如眼睛、鼻子、嘴巴等特定位置。这些关键点的准确定位对于人脸识别、表情分析、姿态估计等应用具有重要意义。

1. 安装必要的库

  • 首先,你需要确保你的PyCharm环境中安装了dlib、opencv-python(或cv2)和numpy等库。你可以通过PyCharm的Settings -> Project: [Your Project Name] -> Python Interpreter来添加这些库,或者使用pip命令在终端中安装它们:

    bash 复制代码
    pip install dlib opencv-python numpy
  • 在终端里直接安装 dlib 库可能会出现问题,可以参照以下来链接中的内容进行安装

2. 下载dlib的人脸检测器和关键点预测器模型

dlib提供了预训练的人脸检测器和关键点预测器模型。你需要从dlib的官方资源中下载这些模型,并将它们保存到你的项目中。

  • 人脸检测器模型(例如:shape_predictor_68_face_landmarks.dat
  • 人脸识别模型(可选,如果你还需要进行人脸识别)

你可以从dlib的模型下载页面获取这些模型。

3. 编写代码

  • 以下是一个简单的Python脚本,它使用dlib库来加载模型,检测图像中的人脸,并定位关键点:

    python 复制代码
    import numpy as np
    import cv2
    import dlib
    
    # 读取图片
    image = cv2.imread('kobe_2.jpg')    
    
    # 构造人脸检测器
    detector = dlib.get_frontal_face_detector()  
    
    # 检测人脸
    faces = detector(image, 0) 
    
    # dlib.shape_predictor 载入模型(加载预测器)
    # 可以从 https://github.com/davisking/dlib-models 下载 xmlopencv 自己训练好的特征,dlib人脸关键点的检测模型
    predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")
    # 获取每一张脸的关键点(实现检测)
    for face in faces:  
        shape = predictor(image, face)  # 获取关键点
        # 将关键点转换为坐标(x,y)的形式
        landmarks = np.array([[p.x, p.y] for p in shape.parts()])
        # 绘制每一张脸的关键点(绘制shape中的每个点)
        for idx, point in enumerate(landmarks):
            pos = [point[0], point[1]]  # 当前关键点的坐标
            # 针对当前关键点,绘制一个实心圆
            cv2.circle(image, pos, 3, color=(0, 255, 0), thickness=-1)
            # 将每个关键点的索引号写在旁边,             普通大小的等宽字体                                                  线条类型:抗锯齿线条。
            cv2.putText(image, str(idx), pos, cv2.FONT_HERSHEY_SIMPLEX, 0.4, (255, 255, 255), 1, cv2.LINE_AA)
    
    # 显示结果
    cv2.imshow("result", image)
    cv2.waitKey(0)
    # 关闭所有OpenCV创建的窗口
    cv2.destroyAllWindows()
  • 结果如下:

相关推荐
人工智能训练师28 分钟前
Ubuntu22.04如何安装新版本的Node.js和npm
linux·运维·前端·人工智能·ubuntu·npm·node.js
cxr8282 小时前
SPARC方法论在Claude Code基于规则驱动开发中的应用
人工智能·驱动开发·claude·智能体
研梦非凡2 小时前
ICCV 2025|从粗到细:用于高效3D高斯溅射的可学习离散小波变换
人工智能·深度学习·学习·3d
幂简集成3 小时前
Realtime API 语音代理端到端接入全流程教程(含 Demo,延迟 280ms)
人工智能·个人开发
龙腾-虎跃3 小时前
FreeSWITCH FunASR语音识别模块
人工智能·语音识别·xcode
智慧地球(AI·Earth)3 小时前
给AI配一台手机+电脑?智谱AutoGLM上线!
人工智能·智能手机·电脑
Godspeed Zhao3 小时前
自动驾驶中的传感器技术46——Radar(7)
人工智能·机器学习·自动驾驶
limengshi1383923 小时前
机器学习面试:请介绍几种常用的学习率衰减方式
人工智能·学习·机器学习
AKAMAI3 小时前
Sport Network 凭借 Akamai 实现卓越成就
人工智能·云原生·云计算
周末程序猿4 小时前
机器学习|大模型为什么会出现"幻觉"?
人工智能