人像面部关键点检测

实验室里哈啤酒2025-04-23 9:05

此工作为本人近期做人脸情绪识别，CBAM模块前是否能加人脸关键点检测而做的尝试。由于创新点不是在于检测点的标注，而是CBAM的改进，因此，只是借用了现成库Dilb与cv2进行。

首先，下载人脸关键点预测模型:Index of /files,文件：shape_predictor_68_face_landmarks.dat

逻辑如下:

使用cv2库进行图像读取--->

将读取的图像转为灰度图--->

判断该图是否存在face--->否--->return

将读取的图像输入预测模型--->

进行关键点预测--->（存储关键点位置）

在原图上进行关键点标识--->

保存预测后的图。

效果图如下：（使用fer2013数据集）

Python代码如下：

python 复制代码

import os
import cv2
import dlib
import numpy as np

# init
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor("./shape_predictor_68_face_landmarks.dat")

def process_image(image_path, output_dir="output", point_radius=0.1):

    os.makedirs(output_dir, exist_ok=True)
    
    # cv2 read image
    image = cv2.imread(image_path)
    # image to gray
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    faces = detector(gray, 1)
    
    if len(faces) == 0:
        print(f"no face!：{image_path}")
        return None
    
    # get point
    landmarks = predictor(gray, faces[0])
    landmarks = np.array([[p.x, p.y] for p in landmarks.parts()])
    
    # draw key point for face
    for (x, y) in landmarks:
        cv2.circle(image, (x, y), radius=point_radius, color=(0, 255, 0), thickness=-1)
    
    output_path = os.path.join(output_dir, f"processed_{os.path.basename(image_path)}")
    cv2.imwrite(output_path, image)
    print(f"Saved：{output_path}")
    
    return landmarks

if __name__=="__main__":
    landmarks = process_image(
        image_path="./00001.png",
        output_dir="./processed_00001",
        point_radius=1  # 关键点半径 只能为整型
    )