Dlib+OpenCV 人脸轮廓绘制

目录

[一、理解 Dlib 人脸轮廓绘制](#一、理解 Dlib 人脸轮廓绘制)

[1. 什么是人脸轮廓绘制？](#1. 什么是人脸轮廓绘制？)

[2. 轮廓绘制核心步骤](#2. 轮廓绘制核心步骤)

[二、实战案例 1：静态图片人脸轮廓绘制](#二、实战案例 1：静态图片人脸轮廓绘制)

[1. 完整代码（可直接运行）](#1. 完整代码（可直接运行）)

[2. 关键细节说明](#2. 关键细节说明)

[三、实战案例 2：摄像头 / 视频实时轮廓检测](#三、实战案例 2：摄像头 / 视频实时轮廓检测)

[1. 完整代码（可直接运行）](#1. 完整代码（可直接运行）)

[2. 实时场景注意事项](#2. 实时场景注意事项)

四、常见问题调试指南

---

在计算机视觉的人脸分析任务中，"轮廓绘制" 是连接 "关键点定位" 与 "高阶应用" 的桥梁。通过将检测到的人脸关键点连接成轮廓，我们能更直观地识别面部结构（如眼睛、嘴唇轮廓），为表情识别、人脸美化、疲劳检测等场景提供基础支持。本文将基于 Dlib 和 OpenCV，详细讲解人脸轮廓绘制的核心原理、实现步骤，并通过 "静态图片标注" 和 "摄像头实时检测" 两个案例，提供可直接运行的代码与调试指南。

一、理解 Dlib 人脸轮廓绘制

1. 什么是人脸轮廓绘制？

人脸轮廓绘制，本质是通过 "线条连接" 或 "凸包拟合"，将 Dlib 检测到的 68 个面部关键点转化为可视化轮廓的过程。它不是简单的点标记，而是通过两种核心方式还原面部结构：

• 直线连接：适用于连续分布的关键点（如下巴轮廓、眉毛），直接用线段连接相邻关键点，形成流畅线条；
• 凸包拟合 ：适用于闭合区域（如眼睛、嘴唇），通过cv2.convexHull()计算覆盖所有关键点的 "最小凸多边形"，再绘制闭合轮廓，更贴合器官的自然形状。

简单来说，关键点是 "点"，轮廓绘制是把 "点" 连成 "线"，让人脸结构从抽象坐标变成直观图形。

2. 轮廓绘制核心步骤

基于 Dlib+OpenCV 的轮廓绘制流程，是在 "关键点定位" 基础上增加 "轮廓生成" 环节，共 7 个核心步骤：

1. 导入依赖库 需导入dlib（人脸检测与关键点定位）、cv2（图像处理与绘制）、numpy（坐标数据处理）。

2. 加载预训练模型

   • 人脸检测器：用dlib.get_frontal_face_detector()加载，用于定位人脸区域；
   • 关键点预测器：用dlib.shape_predictor()加载shape_predictor_68_face_landmarks.dat，用于获取 68 个关键点坐标。

3. 读取输入数据

   • 静态场景：用cv2.imread()读取本地图片；
   • 动态场景：用cv2.VideoCapture()初始化摄像头或本地视频流。

4. 检测人脸区域 调用检测器的detector()方法，传入图像数据，返回包含人脸位置的矩形列表（每个矩形对应一张人脸）。

5. 定位面部关键点 对每个检测到的人脸，调用预测器的predictor()方法，获取 68 个关键点坐标，再转为numpy数组方便后续处理。

6. 生成并绘制轮廓

   • 直线连接：调用自定义函数，按关键点索引范围（如下巴 0-16 号点）连接相邻点；
   • 凸包拟合：调用自定义函数，对闭合区域关键点（如眼睛 36-41 号点）计算凸包，再绘制闭合轮廓。

7. 显示与交互 用cv2.imshow()展示结果，cv2.waitKey()实现交互（如按指定键退出），最后释放资源。

二、实战案例 1：静态图片人脸轮廓绘制

静态图片场景适合快速验证轮廓绘制效果，尤其适合调试关键点索引范围（避免画错部位），步骤清晰易上手。

1. 完整代码（可直接运行）

import numpy as np
import dlib
import cv2

# ---------------------- 自定义轮廓绘制函数 ----------------------
def draw_line(start_idx, end_idx, img, landmarks, color=(0, 255, 0), thickness=2):
    """
    直线连接关键点（适用于连续轮廓，如下巴、眉毛）
    :param start_idx: 起始关键点索引
    :param end_idx: 结束关键点索引（不包含）
    :param img: 待绘制图像
    :param landmarks: 关键点坐标数组（68x2）
    :param color: 线条颜色（BGR格式）
    :param thickness: 线条粗细
    """
    # 获取指定范围的关键点
    pts = landmarks[start_idx:end_idx]
    # 遍历相邻点，绘制直线
    for i in range(1, len(pts)):
        pt_a = tuple(pts[i-1])  # 上一个点
        pt_b = tuple(pts[i])    # 当前点
        cv2.line(img, pt_a, pt_b, color, thickness)

def draw_convex_hull(start_idx, end_idx, img, landmarks, color=(0, 255, 0), thickness=2):
    """
    凸包拟合绘制闭合轮廓（适用于眼睛、嘴唇）
    :param start_idx: 起始关键点索引
    :param end_idx: 结束关键点索引（包含）
    :param img: 待绘制图像
    :param landmarks: 关键点坐标数组（68x2）
    :param color: 轮廓颜色（BGR格式）
    :param thickness: 轮廓粗细
    """
    # 获取指定范围的关键点（闭合区域需包含首尾）
    facial_pts = landmarks[start_idx:end_idx + 1]
    # 计算凸包（最小凸多边形）
    hull = cv2.convexHull(facial_pts)
    # 绘制闭合轮廓（-1表示绘制所有轮廓）
    cv2.drawContours(img, [hull], -1, color, thickness)

# ---------------------- 主程序逻辑 ----------------------
if __name__ == "__main__":
    # 1. 读取图片（替换为你的图片路径）
    img_path = "test_face.jpg"
    img = cv2.imread(img_path)
    if img is None:
        print(f"错误：无法读取图片 {img_path}，请检查路径！")
        exit()

    # 2. 加载Dlib模型
    # 人脸检测器
    detector = dlib.get_frontal_face_detector()
    # 关键点预测器（确保模型文件在代码同级目录）
    model_path = "shape_predictor_68_face_landmarks.dat"
    try:
        predictor = dlib.shape_predictor(model_path)
    except Exception as e:
        print(f"错误：加载关键点模型失败 - {e}")
        print("提示：模型可从 https://github.com/davisking/dlib-models 下载")
        exit()

    # 3. 检测人脸
    faces = detector(img, 0)  # 0表示不上采样（提高速度）
    if len(faces) == 0:
        print("未检测到人脸，请更换包含正面人脸的图片！")
        exit()

    # 4. 处理每张人脸，绘制轮廓
    for face in faces:
        # 获取68个关键点坐标
        shape = predictor(img, face)
        landmarks = np.array([[p.x, p.y] for p in shape.parts()])

        # ---------------------- 绘制关键轮廓 ----------------------
        # 1. 凸包拟合：眼睛（右眼36-41，左眼42-47）
        draw_convex_hull(36, 41, img, landmarks, color=(0, 255, 0))  # 右眼
        draw_convex_hull(42, 47, img, landmarks, color=(0, 255, 0))  # 左眼
        # 2. 凸包拟合：嘴唇（外唇48-59，内唇60-67）
        draw_convex_hull(48, 59, img, landmarks, color=(0, 0, 255))  # 外唇
        draw_convex_hull(60, 67, img, landmarks, color=(255, 0, 0))  # 内唇
        # 3. 直线连接：面部轮廓（下巴0-16、左眉17-21、右眉22-26、鼻子27-35）
        draw_line(0, 17, img, landmarks, color=(255, 255, 0))  # 下巴
        draw_line(17, 22, img, landmarks, color=(255, 255, 0)) # 左眉
        draw_line(22, 27, img, landmarks, color=(255, 255, 0)) # 右眉
        draw_line(27, 36, img, landmarks, color=(255, 255, 0)) # 鼻子

    # 5. 显示结果与交互
    cv2.imshow("Dlib Face Contour (Image)", img)
    print("操作提示：按 's' 保存结果，按任意其他键关闭窗口！")
    key = cv2.waitKey(0)  # 无限等待按键

    # 保存结果（按s键）
    if key == ord('s'):
        save_path = "face_contour_result.jpg"
        cv2.imwrite(save_path, img)
        print(f"结果已保存至 {save_path}")

    # 释放资源
    cv2.destroyAllWindows()

2. 关键细节说明

• 函数解耦：将 "直线连接" 和 "凸包拟合" 封装为独立函数，便于后续修改颜色、粗细，避免代码冗余；
• 索引范围：严格对应 68 个关键点的部位（如下巴 0-16、右眼 36-41），画错索引会导致轮廓错位（比如把左眼画成嘴巴）；
• 错误处理：增加图片读取、模型加载、人脸检测的失败判断，避免程序崩溃，同时给出调试提示。

运行结果如下：

调试模式：

三、实战案例 2：摄像头 / 视频实时轮廓检测

实时场景更贴近实际应用（如直播美颜、驾驶疲劳检测），核心是在 "静态逻辑" 基础上增加 "视频帧循环处理"，需注意帧率控制和资源释放。

1. 完整代码（可直接运行）

import numpy as np
import dlib
import cv2

# ---------------------- 复用轮廓绘制函数 ----------------------
def draw_line(start_idx, end_idx, img, landmarks, color=(0, 255, 0), thickness=2):
    pts = landmarks[start_idx:end_idx]
    for i in range(1, len(pts)):
        pt_a = tuple(pts[i-1])
        pt_b = tuple(pts[i])
        cv2.line(img, pt_a, pt_b, color, thickness)

def draw_convex_hull(start_idx, end_idx, img, landmarks, color=(0, 255, 0), thickness=2):
    facial_pts = landmarks[start_idx:end_idx + 1]
    hull = cv2.convexHull(facial_pts)
    cv2.drawContours(img, [hull], -1, color, thickness)

# ---------------------- 主程序逻辑 ----------------------
if __name__ == "__main__":
    # 1. 初始化视频流（二选一：摄像头或本地视频）
    # 选项1：调用默认摄像头（笔记本通常为0，外接摄像头试1）
    cap = cv2.VideoCapture(0)
    # 选项2：读取本地视频文件（替换为你的视频路径）
    # cap = cv2.VideoCapture("smile_video.mp4")

    # 检查视频流是否打开
    if not cap.isOpened():
        print("错误：无法打开摄像头/视频文件，请检查设备！")
        exit()

    # 2. 加载Dlib模型（同静态案例）
    detector = dlib.get_frontal_face_detector()
    model_path = "shape_predictor_68_face_landmarks.dat"
    try:
        predictor = dlib.shape_predictor(model_path)
    except Exception as e:
        print(f"错误：加载模型失败 - {e}")
        cap.release()  # 提前释放摄像头
        exit()

    # 3. 实时处理视频帧
    print("操作提示：按 ESC 键退出程序！")
    while True:
        # 读取一帧视频（ret：读取状态，img：帧数据）
        ret, img = cap.read()
        # 处理帧读取失败（如摄像头断开、视频结束）
        if not ret:
            print("视频流已结束或无法获取帧！")
            break

        # 可选：水平翻转帧（摄像头默认镜像，翻转后更自然）
        img = cv2.flip(img, 1)

        # 4. 检测人脸并绘制轮廓
        faces = detector(img, 0)
        for face in faces:
            # 获取关键点坐标
            shape = predictor(img, face)
            landmarks = np.array([[p.x, p.y] for p in shape.parts()])

            # 绘制轮廓（同静态案例，颜色和部位一致）
            draw_convex_hull(36, 41, img, landmarks, (0, 255, 0))  # 右眼
            draw_convex_hull(42, 47, img, landmarks, (0, 255, 0))  # 左眼
            draw_convex_hull(48, 59, img, landmarks, (0, 0, 255))  # 外唇
            draw_convex_hull(60, 67, img, landmarks, (255, 0, 0))  # 内唇
            draw_line(0, 17, img, landmarks, (255, 255, 0))        # 下巴
            draw_line(17, 22, img, landmarks, (255, 255, 0))       # 左眉
            draw_line(22, 27, img, landmarks, (255, 255, 0))       # 右眉
            draw_line(27, 36, img, landmarks, (255, 255, 0))       # 鼻子

        # 5. 显示实时结果
        cv2.imshow("Dlib Real-Time Face Contour", img)

        # 控制帧率与退出（waitKey(1)≈1000fps，数值越大帧率越低）
        if cv2.waitKey(1) == 27:  # 27是ESC键的ASCII码
            break

    # 6. 释放资源（必须执行，避免摄像头占用）
    cap.release()
    cv2.destroyAllWindows()

2. 实时场景注意事项

• 帧率控制 ：cv2.waitKey(1)的参数决定帧率，1ms 对应约 1000fps（流畅），若电脑性能不足可改为 5ms（200fps），避免卡顿；
• 镜像翻转 ：cv2.flip(img, 1)将摄像头画面水平翻转，符合人眼 "自拍习惯"，不翻转会导致 "左右相反"（如你抬左手，画面显示抬右手）；
• 资源释放 ：cap.release()必须放在循环外，否则会提前关闭摄像头，导致只显示一帧；
• 多脸支持：代码支持同时检测多张人脸（如双人入镜），会自动为每张脸绘制轮廓，无需额外修改。

四、常见问题调试指南