超详细注释之OpenCV dlib实现人脸采集_Python

上一篇博客中，我们了解了什么是面部标志，以及如何使用dlib，OpenCV和Python检测它们。利用dlib的HOG SVM的形状预测器获得面部ROI中面部区域的68个点（x，y）坐标。
这一篇博客中，将演示如何使用NumPy数组切片魔术来分别访问每个面部部分并提取眼睛，眉毛，鼻子，嘴巴和下巴的特征。

1. 效果图

先上一张检测完的图：

超详细注释之OpenCV dlib实现人脸采集

也可以每一部分先标识出来：

超详细注释之OpenCV dlib实现人脸采集

2. 原理

面部标志主要是：口右眉左眉右眼左眼鼻子下颚线
这一节即提取这些部分；

超详细注释之OpenCV dlib实现人脸采集

从图中可以看到假设是以0为下标的数组：

嘴唇可以认为是： points [48, 68]. 内嘴唇：[60,68]
右眉毛 points [17, 22].
左眉毛 points [22, 27].
右眼 [36, 42].
左眼 [42, 48].
鼻子 [27, 35].
下颌 [0, 17].

已经知道下标，数组切片，并用不同的颜色来标识各个部位，imutils包，可以帮助我们更优雅的写代码的包；已经有封装好方法face_utils 。
嘴唇等是闭合区域，用闭合的凸包表示，下颌用线勾勒；

面部标志检测返回结果是：68个（x，y）坐标：
（1）先转为适合OpenCV处理的 Numpy array，
（2）数组切片，用不同的颜色标识不同的面部结构部分；

3. 源码

# 安装了dlib
# imutils 是最新的版本
# python detect_face_parts.py --shape-predictor shape_predictor_68_face_landmarks.dat --image images/girl.jpg

from imutils import face_utils
import numpy as np
import argparse
import imutils
import dlib
import cv2
import shutil
import os

# 构建命令行参数
# --shape-predictor 必须 形状检测器位置
# --image 必须 待检测的图片
ap = argparse.ArgumentParser()
ap.add_argument("-p", "--shape-predictor", required=True,
              help="path to facial landmark predictor")
ap.add_argument("-i", "--image", required=True,
              help="path to input image")
args = vars(ap.parse_args())

temp_dir = "temp"
shutil.rmtree(temp_dir, ignore_errors=True)
os.makedirs(temp_dir)

# 初始化dlib中基于HOG的面部检测器,及形状预测器
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor(args["shape_predictor"])

# 加载待检测的图片,resize,并且装换为灰度图
image = cv2.imread(args["image"])
image = imutils.resize(image, width=500)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 在灰度图中检测面部
rects = detector(gray, 1)

# 循环检测到的面部
num = 0
for (i, rect) in enumerate(rects):
  # 确定面部区域进行面部标志检测,并将其检测到的68个点转换为方便python处理的Numpy array
  shape = predictor(gray, rect)
  shape = face_utils.shape_to_np(shape)

  # 循环遍历面部标志独立的每一部分
  for (name, (i, j)) in face_utils.FACIAL_LANDMARKS_IDXS.items():

      # 复制一张原始图的拷贝,以便于绘制面部区域,及其名称
      clone = image.copy()
      cv2.putText(clone, name, (10, 30), cv2.FONT_HERSHEY_SIMPLEX,
                  0.7, (0, 0, 255), 2)

      # 遍历独立的面部标志的每一部分包含的点,并画在图中
      for (x, y) in shape[i:j]:
          cv2.circle(clone, (x, y), 1, (0, 0, 255), -1)
          # 要实际提取每个面部区域，我们只需要计算与特定区域关联的（x，y）坐标的边界框，并使用NumPy数组切片来提取它：
          (x, y, w, h) = cv2.boundingRect(np.array([shape[i:j]]))
          roi = image[y:y + h, x:x + w]

          # resize ROI区域为 宽度250,以便于更好的可视化
          roi = imutils.resize(roi, width=250, inter=cv2.INTER_CUBIC)

          # 展示独立的面部标志
          cv2.imshow("ROI", roi)
          cv2.imshow("Image", clone)
          cv2.waitKey(0)

      num = num + 1
      p = os.path.sep.join([temp_dir, "{}.jpg".format(
          str(num).zfill(8))])
      print('p: ', p)
      cv2.imwrite(p, output)

  # 应用visualize_facial_landmarks 功能为每个面部部位创建透明的覆盖层。(transparent overlay)
  output = face_utils.visualize_facial_landmarks(image, shape)
  cv2.imshow("Image", output)
  cv2.waitKey(0)