计算机视觉：人脸关键点定位与轮廓绘制

一、关键模型准备

[二、实战 1：人脸 68 个关键点定位](#二、实战 1：人脸 68 个关键点定位)

[2.1 核心原理](#2.1 核心原理)

[2.2 完整代码实现](#2.2 完整代码实现)

[2.3 结果说明](#2.3 结果说明)

[三、实战 2：基于关键点的面部轮廓绘制](#三、实战 2：基于关键点的面部轮廓绘制)

[3.1 核心原理](#3.1 核心原理)

[3.2 完整代码实现](#3.2 完整代码实现)

[3.3 运行效果](#3.3 运行效果)

在计算机视觉领域，人脸关键点检测是表情识别、人脸编辑、疲劳监测等高级应用的核心基础。本文将跳过环境搭建环节，直接从核心原理出发，结合 OpenCV 与 dlib 库，详细讲解人脸 68 个关键点的定位与面部轮廓绘制的完整实现过程。

一、关键模型准备

dlib 的人脸关键点预测依赖预训练模型**shape_predictor_68_face_landmarks.dat**，该模型可精准检测人脸的 68 个关键点（涵盖眼睛、眉毛、鼻子、嘴巴、面部轮廓）。

下载地址 ：https://github.com/davisking/dlib-models
使用说明：下载后将模型文件与代码放在同一目录，避免后续路径调用错误。

二、实战 1：人脸 68 个关键点定位

2.1 核心原理

dlib 的关键点检测基于级联回归树算法，整体流程分为三步：

人脸检测 ：通过dlib.get_frontal_face_detector()识别图像中的人脸区域，输出人脸边界框；
关键点预测 ：利用预训练的shape_predictor模型，在人脸边界框内定位 68 个关键点的坐标；
可视化展示：将关键点坐标转换为 NumPy 数组，通过 OpenCV 绘制关键点及编号，直观呈现检测结果。

2.2 完整代码实现

python 复制代码

'''
功能：检测人脸68个关键点，并绘制关键点及编号
依赖库：numpy, cv2, dlib
模型：shape_predictor_68_face_landmarks.dat（需与代码同目录）
'''
import numpy as np
import cv2
import dlib

# 1. 读取图像（替换为你的图像路径，支持png/jpg格式）
img = cv2.imread("man.png")
# 读取失败判断
if img is None:
    raise ValueError("图像读取失败，请检查文件路径是否正确！")

# 2. 初始化人脸检测器（正面人脸检测）
detector = dlib.get_frontal_face_detector()

# 3. 检测图像中的人脸（参数0：不放大图像，平衡速度与精度）
faces = detector(img, 0)
if len(faces) == 0:
    print("未检测到人脸，请更换清晰正面人脸图像重试！")
else:
    print(f"共检测到 {len(faces)} 张人脸")

# 4. 加载关键点预测模型
predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")

# 5. 遍历人脸，获取并绘制关键点
for face in faces:
    # 5.1 预测当前人脸的68个关键点
    shape = predictor(img, face)  # shape包含68个关键点对象
    
    # 5.2 转换关键点为(x, y)坐标数组（便于后续处理）
    landmarks = np.array([[p.x, p.y] for p in shape.parts()])
    
    # 5.3 绘制关键点（绿色实心圆）与编号（白色文字）
    for idx, point in enumerate(landmarks):
        pos = (point[0], point[1])  # 关键点坐标
        # 绘制实心圆：图像、坐标、半径2、颜色(0,255,0)（BGR）、厚度-1（填充）
        cv2.circle(img, pos, radius=2, color=(0, 255, 0), thickness=-1)
        # 绘制编号：字体SIMPLEX、字号0.4、颜色(255,255,255)、厚度1、抗锯齿
        cv2.putText(img, str(idx), pos, cv2.FONT_HERSHEY_SIMPLEX, 
                    fontScale=0.4, color=(255, 255, 255), thickness=1, lineType=cv2.LINE_AA)

# 6. 显示结果与释放资源
cv2.imshow("Face 68 Landmarks", img)
cv2.waitKey(0)  # 按任意键关闭窗口
cv2.destroyAllWindows()

2.3 结果说明

关键点编号规则：68 个关键点按区域划分，具体对应关系如下：

0-16：面部轮廓（从下巴到额头两侧）
17-21：左眉，22-26：右眉
27-35：鼻子（含鼻梁、鼻尖、鼻翼）
36-41：右眼，42-47：左眼
48-67：嘴巴（48-59 为外轮廓，60-67 为内轮廓）

可视化效果：图像中每个关键点以绿色实心圆标记，旁边标注白色编号，可清晰区分不同面部区域的关键点位置。

三、实战 2：基于关键点的面部轮廓绘制

在获取 68 个关键点后，通过凸包算法 与线段绘制，可进一步勾勒面部轮廓，让检测结果更直观。

3.1 核心原理

凸包算法（cv2.convexHull）：对于眼睛、嘴巴等闭合区域，通过关键点生成凸多边形，准确包裹区域边界，避免轮廓断裂；
线段绘制（cv2.line）：对于面部轮廓、眉毛、鼻子等非闭合区域，将连续关键点用线段连接，形成完整的线性轮廓。

3.2 完整代码实现

python 复制代码

'''
功能：基于68个关键点绘制面部轮廓（眉毛、眼睛、鼻子、嘴巴、面部轮廓）
依赖库：numpy, cv2, dlib
'''
import numpy as np
import dlib
import cv2

# 1. 定义轮廓绘制工具函数
def draw_line(start, end):
    '''绘制线段：连接从start到end的连续关键点（左闭右开区间）'''
    pts = shape[start:end]  # 获取关键点区间
    for i in range(1, len(pts)):
        pt_a = tuple(pts[i-1])  # 前一个关键点
        pt_b = tuple(pts[i])    # 当前关键点
        # 绘制绿色线段，厚度2
        cv2.line(image, pt_a, pt_b, color=(0, 255, 0), thickness=2)

def draw_convex_hull(start, end):
    '''绘制凸包轮廓：用于眼睛、嘴巴等闭合区域（包含end的闭区间）'''
    facial_pts = shape[start:end+1]  # 获取关键点区间
    hull = cv2.convexHull(facial_pts)  # 生成凸包
    # 绘制绿色凸包轮廓，厚度2（-1表示填充，此处用2保留轮廓线）
    cv2.drawContours(image, [hull], -1, (0, 255, 0), thickness=2)

# 2. 读取图像
image = cv2.imread("man.png")
if image is None:
    raise ValueError("图像读取失败，请检查文件路径！")

# 3. 人脸检测与关键点预测（与实战1逻辑一致）
detector = dlib.get_frontal_face_detector()
faces = detector(image, 0)
predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")

if len(faces) == 0:
    print("未检测到人脸！")
else:
    for face in faces:
        # 获取关键点并转换为数组
        shape = predictor(image, face)
        shape = np.array([[p.x, p.y] for p in shape.parts()])
        
        # 4. 按区域绘制轮廓（关键：对应68个关键点的正确区间）
        draw_convex_hull(36, 41)   # 右眼轮廓（36-41号关键点）
        draw_convex_hull(42, 47)   # 左眼轮廓（42-47号关键点）
        draw_convex_hull(48, 59)   # 嘴巴外部轮廓（48-59号关键点）
        draw_convex_hull(60, 67)   # 嘴巴内部轮廓（60-67号关键点）
        draw_line(0, 17)           # 面部轮廓（0-16号，左闭右开需到17）
        draw_line(17, 22)          # 左眉轮廓（17-21号关键点）
        draw_line(22, 27)          # 右眉轮廓（22-26号关键点）
        draw_line(27, 36)          # 鼻子轮廓（27-35号关键点）

# 5. 结果展示与保存（可选）
cv2.imshow("Face Contours", image)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 保存结果图像到当前目录
cv2.imwrite("face_contours_result.png", image)
print("结果图像已保存为 face_contours_result.png")

3.3 运行效果

代码运行后，图像将呈现以下绿色轮廓：

闭合轮廓：左右眼（凸包形状，完整包裹眼球区域）、嘴巴内外侧（区分嘴唇与牙齿边界）；
线性轮廓：面部轮廓（从下巴尖沿脸颊到额头两侧）、左右眉毛（沿眉形连接关键点）、鼻子（从鼻梁到鼻尖的中线）。

四、常见问题与解决方案

1.模型路径错误

报错信息：Unable to open shape_predictor_68_face_landmarks.dat

解决：确认模型文件与代码在同一目录，或在shape_predictor中传入完整路径（如"D:/cv_project/shape_predictor_68_face_landmarks.dat"）。

2.未检测到人脸

原因：图像中无正面人脸、人脸尺寸过小（小于 80×80 像素，dlib 默认最小检测尺寸）或光线过暗。

解决：更换清晰正面人脸图像，或调整detector参数（如detector(img, 1)，1 表示放大图像 1 倍后检测，提升小人脸识别率）。

3.关键点绘制错位

原因：图像读取时通道顺序错误（OpenCV 默认 BGR，若误转为 RGB 会导致坐标偏移）。

解决：确保直接使用cv2.imread()读取图像，不额外转换通道顺序（除非后续有特殊处理需求）。

五、技术扩展：关键点的应用场景

人脸 68 个关键点是计算机视觉中极具价值的基础数据，基于本文技术可进一步扩展以下应用：

表情识别：通过嘴巴关键点（48-67）的开合程度、眼睛关键点（36-47）的眯眼状态，判断微笑、愤怒、惊讶等表情；

疲劳监测：计算眼睛纵横比（如 "眼高 / 眼宽"，当比值 < 0.3 时判定为闭眼），统计单位时间内闭眼次数与时长，预警疲劳状态；

人脸编辑 ：结合仿射变换（cv2.warpAffine），基于关键点实现人脸对齐、换脸、妆容迁移（如将 A 的眉毛轮廓复制到 B 的脸上）。