【深度学习】dlib 人脸关键点检测

文章目录

完整代码一览
[安装 dlib 与下载模型](#安装 dlib 与下载模型)
- [安装 dlib](#安装 dlib)
- [下载 68 点关键点模型](#下载 68 点关键点模型)
导入库
读取图像
创建人脸检测器
执行人脸检测
加载关键点预测器
遍历每个人脸并提取关键点
绘制关键点并标注序号
显示结果
[68 个关键点的编号与分布](#68 个关键点的编号与分布)

完整代码一览

c 复制代码

import numpy as np
import cv2
import dlib

img = cv2.imread('pyy.png')
detector = dlib.get_frontal_face_detector()
faces = detector(img, 0)

predictor = dlib.shape_predictor('shape_predictor_68_face_landmarks.dat')

for face in faces:
    shape = predictor(img, face)
    landmark = np.array([[p.x, p.y] for p in shape.parts()])

    for idx, point in enumerate(landmark):
        pos = [point[0], point[1]]
        cv2.circle(img, pos, 2, (0, 255, 0), 1)
        cv2.putText(img, str(idx), pos, cv2.FONT_HERSHEY_SIMPLEX, 0.4, (255, 255, 255), 1, cv2.LINE_AA)

cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

安装 dlib 与下载模型

安装 dlib

dlib各版本下载地址：

Links for dlib

进入下载文件的存放位置，比如D:\Edge\，在搜索栏输入cmd，输入命令：pip install dlib-19.6.0-cp36-cp36m-win_amd64.whl，下载完成。

cp36是python3.6版本的，cp35是python3.5版本的。

下载完成后调用运行命令： pip install dlib==19.6.1

下载 68 点关键点模型

代码需要加载 shape_predictor_68_face_landmarks.dat，这是 dlib 官方预训练好的模型。下载地址：

68 点关键点模型

下载后解压，将 .dat 文件放在与 Python 脚本相同的文件夹中。

导入库

c 复制代码

import numpy as np
import cv2
import dlib #提供人脸检测和关键点预测功能

读取图像

c 复制代码

img = cv2.imread('pyy.png')

创建人脸检测器

c 复制代码

detector = dlib.get_frontal_face_detector()

该函数返回一个基于 HOG（方向梯度直方图）和线性 SVM 的人脸检测器，它对正面和侧面人脸都有较好的检测效果，且速度较快。

执行人脸检测

c 复制代码

faces = detector(img, 0)

detector(img, 0) 对图像进行人脸检测。第二个参数 0 表示不进行图像上采样（upsample），即使用原始尺寸进行检测。如果你想检测更小的人脸，可以增加这个值（如 1 表示上采样一次），但会降低速度。

加载关键点预测器

c 复制代码

predictor = dlib.shape_predictor('shape_predictor_68_face_landmarks.dat')

加载预训练模型，能够输出稳定、精准的 68 个关键点坐标。

遍历每个人脸并提取关键点

c 复制代码

for face in faces:
    shape = predictor(img, face)
    landmark = np.array([[p.x, p.y] for p in shape.parts()])

对于每个人脸，调用 predictor(img, face) 得到 shape 对象，它包含 parts() 方法，返回一个包含 68 个点的列表。

列表推导式 $p.x, p.y$ for p in shape.parts() 将每个点转换为 (x, y) 元组，再转换成 NumPy 数组，便于后续遍历。

绘制关键点并标注序号

c 复制代码

    for idx, point in enumerate(landmark):
        pos = [point[0], point[1]]
        cv2.circle(img, pos, 2, (0, 255, 0), 1)
        cv2.putText(img, str(idx), pos, cv2.FONT_HERSHEY_SIMPLEX, 0.4, (255, 255, 255), 1, cv2.LINE_AA)

enumerate 遍历每个点，idx 是索引（0~67），point 是坐标数组。

cv2.circle 在点位置画一个绿色小圆点（(0,255,0)），半径 2，线宽 1。

cv2.putText 在点旁边显示索引数字，字体大小 0.4，白色，抗锯齿渲染。

显示结果

c 复制代码

cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

显示标注后的图像，按任意键关闭窗口。

运行结果：

68 个关键点的编号与分布

了解每个编号对应的部位，能帮你更好地利用这些点：

编号部位描述

0 ~ 16 下巴轮廓（从右到左环绕）

17 ~ 21 左眼眉毛

22 ~ 26 右眼眉毛

27 ~ 30 鼻梁（从眉心到鼻尖）

31 ~ 35 鼻翼和鼻孔

36 ~ 41 左眼（6 个点）

42 ~ 47 右眼（6 个点）

48 ~ 59 外嘴唇轮廓

60 ~ 67 内嘴唇（嘴巴张开时可见）

你可以根据这些编号提取特定部位，例如计算眼睛的宽高比（EAR）来判断眨眼，或计算嘴巴的张开程度。

后续可以通过计算眼睛的宽高比，对人脸进行疲劳检测。