计算机视觉（opencv）——基于 dlib 人脸对齐

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

复制代码

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

复制代码

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

复制代码

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

复制代码

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）

复制代码

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

复制代码

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。