使用 dlib 实现人脸检测、关键点定位与人脸对齐(倾斜校正)
在计算机视觉中,人脸检测 与人脸对齐 是人脸识别和表情分析等任务的前置步骤。
本文将通过 dlib
和 OpenCV
实现以下流程:
-
读取一张人脸图片
-
检测图片中的所有人脸框
-
通过人脸关键点预测器获取 68 个关键点
-
使用
dlib.get_face_chips
对人脸进行对齐(倾斜校正) -
将结果逐个显示
我们先来看完整代码,然后逐行解析。
完整代码
import cv2
import dlib
import numpy as np
# 读取输入图片
img = cv2.imread("face.jpg")
# 步骤1:构造人脸检测器
detector = dlib.get_frontal_face_detector()
# 使用人脸检测器检测人脸,返回人脸矩形框
faceBoxs = detector(img, 1)
# 加载68点人脸关键点预测模型
predictor = dlib.shape_predictor('shape_predictor_68_face_landmarks.dat')
# 步骤2:将检测到的人脸框逐个放入容器faces
faces = dlib.full_object_detections() # 构造容器
for faceBox in faceBoxs:
faces.append(predictor(img, faceBox)) # 将每个人脸的关键点预测结果放入容器
# 步骤3:根据人脸关键点对齐人脸
faces = dlib.get_face_chips(img, faces, size=120)
# 步骤4:将每一张对齐后的人脸显示出来
n = 0 # 用变量n给人脸编号
for face in faces:
n += 1
face = np.array(face).astype(np.uint8) # 转换为OpenCV能显示的uint8格式
cv2.imshow('face%s' % n, face)
# 显示原始图像
cv2.imshow("original", img)
cv2.waitKey(0)
cv2.destroyAllWindows()
代码详解
1. 导入库与加载图像
import cv2
import dlib
import numpy as np
img = cv2.imread("face.jpg")
-
cv2.imread
读取一张人脸图片。 -
注意:如果路径不对或图片不存在,
img
会是None
,要确保文件路径正确。
2. 构造人脸检测器
detector = dlib.get_frontal_face_detector()
faceBoxs = detector(img, 1)
-
dlib.get_frontal_face_detector()
返回一个 HOG + SVM 的人脸检测器。 -
detector(img, 1)
进行人脸检测:-
第一个参数是图片
-
第二个参数是 图像金字塔层数 (
1
表示放大一次,适合检测较小的人脸)
-
返回结果 faceBoxs
是一个列表,包含所有检测到的人脸矩形框。
3. 加载关键点预测模型并提取人脸关键点
predictor = dlib.shape_predictor('shape_predictor_68_face_landmarks.dat')
faces = dlib.full_object_detections()
for faceBox in faceBoxs:
faces.append(predictor(img, faceBox))
-
shape_predictor_68_face_landmarks.dat
是预训练模型,包含 68 个关键点的位置。 -
dlib.full_object_detections()
创建一个容器,用于存放每张人脸的关键点信息。 -
循环遍历每张人脸,将关键点预测结果追加到
faces
容器中。
每张人脸会得到 68 个关键点,如下所示:
1-17 轮廓
18-27 眉毛
28-36 鼻子
37-48 眼睛
49-68 嘴巴
4. 人脸对齐(倾斜校正)
faces = dlib.get_face_chips(img, faces, size=120)
-
dlib.get_face_chips
会根据关键点对人脸进行仿射变换,让双眼水平、嘴巴居中,得到标准对齐的人脸。 -
size=120
表示输出图像大小为 120×120。
作用:解决人脸倾斜问题,使得后续人脸识别、表情分析效果更好。
5. 显示结果
n = 0
for face in faces:
n += 1
face = np.array(face).astype(np.uint8)
cv2.imshow('face%s' % n, face)
cv2.imshow("original", img)
cv2.waitKey(0)
cv2.destroyAllWindows()
-
循环遍历每张对齐后的人脸,编号并显示。
-
np.array(face).astype(np.uint8)
转换为 OpenCV 可显示的格式。 -
还会显示原始图像,方便对比。
运行结果
运行该代码后,你会看到:
-
一个窗口显示原始图片
-
多个窗口显示裁剪并对齐后的人脸,每张脸单独一个窗口
效果类似下图:
(左:原始图像,右:对齐后的人脸)

扩展:实时摄像头
cap = cv2.VideoCapture(0)
while True:
ret, frame = cap.read()
if not ret:
break
faceBoxs = detector(frame, 0)
faces = dlib.full_object_detections()
for faceBox in faceBoxs:
faces.append(predictor(frame, faceBox))
chips = dlib.get_face_chips(frame, faces, size=120)
for i, chip in enumerate(chips):
chip = np.array(chip).astype(np.uint8)
cv2.imshow(f'face{i+1}', chip)
cv2.imshow("original", frame)
if cv2.waitKey(1) & 0xFF == ord('q'):
break
cap.release()
cv2.destroyAllWindows()
总结
本文用 dlib
实现了完整的人脸检测与对齐流程,主要包含以下步骤:
-
使用
dlib.get_frontal_face_detector()
检测人脸 -
使用 68 关键点预测器提取人脸关键点
-
调用
dlib.get_face_chips
进行人脸对齐 -
用 OpenCV 显示结果
人脸对齐是人脸识别前非常关键的预处理步骤,可以显著提升识别准确率。该代码也可以很容易扩展到视频流,实现实时人脸对齐。