基于Python實(shí)現(xiàn)人臉識(shí)別和焦點(diǎn)人物檢測(cè)功能
寫在前面的話
基于dlib庫(kù)的模型，實(shí)現(xiàn)人臉識(shí)別和焦點(diǎn)人物的檢測(cè)。最后呈現(xiàn)的效果為焦點(diǎn)人物的識(shí)別框顏色與其他人物框不一樣。
準(zhǔn)備工作
需要安裝好python環(huán)境，安裝好dlib、opencv-python庫(kù)等，具體可以看報(bào)錯(cuò)信息（可以使用PyCharm來(lái)運(yùn)行和編輯py文件），然后把需要的庫(kù)補(bǔ)全，文章最后會(huì)有完整代碼，但是需要與shape_predictor_68_face_landmarks.dat模型文件同處一個(gè)路徑下，然后啟用。(百度可以下載到)
設(shè)計(jì)過(guò)程
- 因?yàn)槭窃谧约弘娔X完成的必做題設(shè)計(jì)，所以前期還經(jīng)歷了相應(yīng)的Python安裝與環(huán)境配置，相應(yīng)的資源庫(kù)安裝，例如dlib、opencv-python等等。
- 然后運(yùn)行綜合了（68個(gè)人臉特征點(diǎn)檢測(cè)模型完成靜止圖像的人臉檢測(cè)與標(biāo)注）和（完成實(shí)時(shí)攝制視頻的人臉檢測(cè)與定位）的參考文件opencv_webcam_face_detection.py，發(fā)現(xiàn)可以實(shí)現(xiàn)實(shí)時(shí)視頻的人臉檢測(cè)。
- 對(duì)參考文件的代碼進(jìn)行分析，理解每一句代碼的意思。對(duì)比查找設(shè)計(jì)需要的功能模塊，實(shí)現(xiàn)1280x720視頻輸出，實(shí)現(xiàn)類win10相機(jī)的焦點(diǎn)人物識(shí)別。
- 上網(wǎng)查找并學(xué)習(xí)相應(yīng)資料，參考win10相機(jī)的算法，創(chuàng)建自己的基于距離與面積的焦點(diǎn)人物算法，根據(jù)自己的需要對(duì)源代碼進(jìn)行添加及修改。
- 最后對(duì)代碼進(jìn)行測(cè)試，且不斷修改成最適合的版本。
Python程序
流程圖
焦點(diǎn)人物算法
內(nèi)在邏輯：模仿win10相機(jī)，當(dāng)有多于1個(gè)人時(shí)，優(yōu)先選擇最居中的為焦點(diǎn)人物，但若在其他地方的人臉面積大于4倍中心的人臉面積，則選擇其他地方的作為焦點(diǎn)人物。
實(shí)際代碼
import dlib
import cv2
import math
# 攝像頭參數(shù)設(shè)置
cam = cv2.VideoCapture(0) # 參數(shù)0，調(diào)用計(jì)算機(jī)的攝像頭
cam.set(3, 1280) # 參數(shù)3，設(shè)定寬度分辨為1280
cam.set(4, 720) # 參數(shù)4，設(shè)定高度分辨為720
# 設(shè)定人臉框的邊框顏色及寬度，便于分辨焦點(diǎn)人物
color_focus = (255, 0, 255) # 設(shè)定焦點(diǎn)人臉框的顏色，紫紅色
color_other = (255, 255, 255) # 設(shè)定其余人臉框的顏色，白色
lineWidth_focus = 2 # 設(shè)定焦點(diǎn)人臉框的寬度
lineWidth_other = 1 # 設(shè)定其他人臉框的寬度
# 設(shè)定計(jì)算的一些參數(shù)
w = cam.get(3) / 2 # 設(shè)定屏幕中心的橫坐標(biāo)X
h = cam.get(4) / 2 # 設(shè)定屏幕中心的縱坐標(biāo)Y
d_center = 10000 # 預(yù)設(shè)人臉框到屏幕中心的距離
index_center = 0 # 預(yù)設(shè)距離優(yōu)先時(shí)的人臉框序號(hào)
index_area = 0 # 預(yù)設(shè)面積優(yōu)先時(shí)的人臉框序號(hào)
area_center = -1 # 預(yù)設(shè)距離中心最近人臉框的面積
area = -1 # # 預(yù)設(shè)人臉框面積最大時(shí)的面積
detector = dlib.get_frontal_face_detector() # 加載這個(gè)庫(kù)自帶的人臉檢測(cè)器
predictor_path = "shape_predictor_68_face_landmarks.dat" # 設(shè)置人臉預(yù)測(cè)模型的路徑位置
predictor = dlib.shape_predictor(predictor_path) # 人臉預(yù)測(cè)實(shí)例化
while True: # 當(dāng)獲取到視頻輸入時(shí)
ret_val, img = cam.read() # 讀取視頻每一幀，顏色格式為BGR格式，
rgb_image = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 顏色BGR格式轉(zhuǎn)為RGB格式
faces = detector(rgb_image) # 返回RGB格式人臉捕捉框
# 邏輯算法：當(dāng)有多于1個(gè)人時(shí)，優(yōu)先選擇最居中的為焦點(diǎn)人物，但若其他地方的人臉面積大于4倍中心的人臉面積，則選擇該為焦點(diǎn)人物。
# 這個(gè)for循環(huán)先求出距離屏幕中心最近時(shí)的人臉框的序號(hào)和距離優(yōu)先面積
for i, det in enumerate(faces): # 遍歷所有人臉框，i是人臉框序號(hào)，det是每個(gè)人臉框
d = math.sqrt((w-(det.left()+(det.right()-det.left())/2))**2+(h-(det.top()+(det.bottom()-det.top())/2))**2)
# 計(jì)算該人臉框到屏幕中心的距離
if d < d_center: # 對(duì)比剛計(jì)算出的距離與設(shè)定的最近距離，達(dá)成選擇更小
index_center = i # 更新距離最近時(shí)的人臉框序號(hào)
d_center = d # 更新最近距離
area_center = abs((det.right() - det.left()) * (det.bottom() - det.top())) # 算出該人臉框的面積（距離更近優(yōu)先）
# 這個(gè)for循環(huán)求出面積最大的人臉框的序號(hào)和面積優(yōu)先面積
for i, det in enumerate(faces): # 遍歷所有人臉框，i是人臉框序號(hào)，det是每個(gè)人臉框
if abs((det.right() - det.left()) * (det.bottom() - det.top())) > area: # 對(duì)比該人臉面積與設(shè)定的最大面積，實(shí)現(xiàn)選擇更大
index_area = i # 更新面積更大時(shí)的人臉框序號(hào)
area = abs((det.right() - det.left()) * (det.bottom() - det.top())) # 算出該人臉框的面積（面積更大優(yōu)先）
if area > 5*area_center: # 判斷依據(jù)，若面積優(yōu)先面積大于距離優(yōu)先面積的5倍，就實(shí)現(xiàn)面積優(yōu)先選擇焦點(diǎn)人物，否則就距離優(yōu)先。
index_center = index_area# 面積優(yōu)先時(shí)，使用面積最大的人臉框序號(hào)
for i, det in enumerate(faces): # 遍歷所有人臉框
if i == index_center: # 確定焦點(diǎn)人臉框的序號(hào)
print(d_center, i) # 輸出焦點(diǎn)人物的距離中心位置，方便調(diào)試
cv2.rectangle(img, (det.left(), det.top()), (det.right(), det.bottom()), color_focus, lineWidth_focus)
# 繪出焦點(diǎn)人臉框
shape = predictor(img, det) # 從預(yù)測(cè)模型處，得到68個(gè)人物特征點(diǎn)
for p in shape.parts(): # 遍歷68個(gè)人物特征點(diǎn)
cv2.circle(img, (p.x, p.y), 2, (124, 252, 0), -1) # 設(shè)定焦點(diǎn)人物的68個(gè)點(diǎn)的形狀顏色，茶綠色、實(shí)心
else:
cv2.rectangle(img, (det.left(), det.top()), (det.right(), det.bottom()), color_other, lineWidth_other)
# 繪出其他人臉框
shape = predictor(img, det) # 從預(yù)測(cè)模型處，得到68個(gè)人物特征點(diǎn)
for p in shape.parts(): # 遍歷68個(gè)人物特征點(diǎn)
cv2.circle(img, (p.x, p.y), 2, (255, 255, 255), -1) # 設(shè)定其他人物的68個(gè)點(diǎn)的形狀顏色，白色、實(shí)心
cv2.imshow('my webcam', img) # 輸出繪好框后的幀動(dòng)畫
if cv2.waitKey(1) == 27: # 設(shè)置一個(gè)滯留時(shí)間，等待用戶觸發(fā)事件，若用戶按下 ESC(ASCII碼為27)，則執(zhí)行 if 體
break # （if主體）退出
cv2.destroyAllWindows() # 銷毀所有輸出圖像窗
運(yùn)行情況
為了容易分辨焦點(diǎn)人物與其他人物，首先將焦點(diǎn)人物框的寬度設(shè)為2，顏色設(shè)為紫紅色，68個(gè)識(shí)別點(diǎn)設(shè)為茶綠色；其他人物框的寬度設(shè)為1，顏色設(shè)為白色，68個(gè)識(shí)別點(diǎn)設(shè)為白色。
然后進(jìn)行多次測(cè)試，通過(guò)整理測(cè)試結(jié)果，發(fā)現(xiàn)算法沒(méi)有錯(cuò)誤，焦點(diǎn)人物按照距離和面積兩個(gè)因素來(lái)決定。成功運(yùn)行圖如下：
不展示圖了，但是主人物為紫紅框，其他人物為白色圈。與預(yù)期一致。
到此這篇關(guān)于基于Python的人臉識(shí)別和焦點(diǎn)人物檢測(cè)的文章就介紹到這了,更多相關(guān)Python人臉識(shí)別和焦點(diǎn)人物檢測(cè)內(nèi)容請(qǐng)搜索本站以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持本站！
版權(quán)聲明：本站文章來(lái)源標(biāo)注為YINGSOO的內(nèi)容版權(quán)均為本站所有，歡迎引用、轉(zhuǎn)載，請(qǐng)保持原文完整并注明來(lái)源及原文鏈接。禁止復(fù)制或仿造本網(wǎng)站，禁止在非maisonbaluchon.cn所屬的服務(wù)器上建立鏡像，否則將依法追究法律責(zé)任。本站部分內(nèi)容來(lái)源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來(lái)，僅供學(xué)習(xí)參考，不代表本站立場(chǎng)，如有內(nèi)容涉嫌侵權(quán)，請(qǐng)聯(lián)系alex-e#qq.com處理。
關(guān)注官方微信