为什么上不了建设银行个人网站,网站文字优化方案,高中生沉迷哔哩哔哩怎么办,广州seo站内优化目录 实现过程
1#xff0c;代码解读
1.1 导入工具包
1.2导入所需图像#xff0c;以及训练好的人脸预测模型
1.3 将 dlib 的关键点对象转换为 NumPy 数组#xff0c;以便后续处理
1.4图像上可视化面部关键点
1.5# 读取输入数据#xff0c;预处理
1.6进行人脸检测
1…目录 实现过程
1代码解读
1.1 导入工具包
1.2导入所需图像以及训练好的人脸预测模型
1.3 将 dlib 的关键点对象转换为 NumPy 数组以便后续处理
1.4图像上可视化面部关键点
1.5# 读取输入数据预处理
1.6进行人脸检测
1.7遍历检测到的框
1.8遍历每个面部
2所有代码
3结果展示 实现过程 导入工具包首先导入所需的Python库包括dlib用于人脸检测和关键点定位以及OpenCV用于图像处理。 参数解析使用argparse库解析命令行参数以指定面部关键点预测器的路径和输入图像的路径。 定义关键点范围定义了两个字典FACIAL_LANDMARKS_68_IDXS和FACIAL_LANDMARKS_5_IDXS它们包含了不同面部部位的关键点索引范围用于标识人脸的不同部分。 图像预处理加载输入图像将其缩放为指定宽度500像素并将其转换为灰度图像。这些预处理步骤有助于提高人脸检测的性能和稳定性。 人脸检测使用dlib库的人脸检测器检测灰度图像中的人脸。检测结果是一个包含人脸边界框的列表。 遍历检测到的人脸对于每个检测到的人脸使用面部关键点定位器获取关键点的坐标。然后对不同的面部部位进行循环处理。 绘制关键点为了可视化代码使用OpenCV在图像上绘制关键点。每个关键点以红色圆圈的形式标记在图像上并标注了各个部位的名称。 提取ROI区域在每个部位上代码还提取了一个感兴趣区域ROI这是通过计算关键点的包围矩形来实现的。ROI区域随后可以用于进一步的分析或显示。 调整ROI尺寸最后代码调整了ROI区域的尺寸以确保它们具有一致的宽度250像素同时保持高宽比例不变。
1代码解读
1.1 导入工具包 collections.OrderedDict: 用于创建有序的字典。numpy: 用于处理数值计算。argparse: 用于处理命令行参数。dlib: 一个图像处理库用于人脸检测和关键点定位。cv2 (OpenCV): 用于图像处理。
1.2导入所需图像以及训练好的人脸预测模型 # 参数 ap argparse.ArgumentParser() ap.add_argument(-p, --shape-predictor, requiredTrue, helppath to facial landmark predictor) ap.add_argument(-i, --image, requiredTrue, helppath to input image) 1.3 将 dlib 的关键点对象转换为 NumPy 数组以便后续处理 这个函数用于将 dlib 的关键点对象转换为 NumPy 数组以便后续处理。 它遍历关键点对象中的每个点提取其 x 和 y 坐标然后将坐标保存在 NumPy 数组中。 def shape_to_np(shape, dtypeint): # 创建68*2 coords np.zeros((shape.num_parts, 2), dtypedtype) # 遍历每一个关键点 # 得到坐标 for i in range(0, shape.num_parts): coords[i] (shape.part(i).x, shape.part(i).y) return coords 1.4图像上可视化面部关键点 这个函数用于在图像上可视化面部关键点。 它接受输入图像、关键点坐标、可选颜色和透明度参数。 在输入图像上绘制关键点可以为不同面部部位指定不同的颜色。 最后将可视化的图像与原图像混合以得到输出图像。 def visualize_facial_landmarks(image, shape, colorsNone, alpha0.75): # 创建两个copy # overlay and one for the final output image overlay image.copy() output image.copy() # 设置一些颜色区域 if colors is None: colors [(19, 199, 109), (79, 76, 240), (230, 159, 23), (168, 100, 168), (158, 163, 32), (163, 38, 32), (180, 42, 220)] # 遍历每一个区域 for (i, name) in enumerate(FACIAL_LANDMARKS_68_IDXS.keys()): # 得到每一个点的坐标 (j, k) FACIAL_LANDMARKS_68_IDXS[name] pts shape[j:k] # 检查位置 if name jaw: # 用线条连起来 for l in range(1, len(pts)): ptA tuple(pts[l - 1]) ptB tuple(pts[l]) cv2.line(overlay, ptA, ptB, colors[i], 2) # 计算凸包 else: hull cv2.convexHull(pts) cv2.drawContours(overlay, [hull], -1, colors[i], -1) # 叠加在原图上可以指定比例 cv2.addWeighted(overlay, alpha, output, 1 - alpha, 0, output) return output 1.5# 读取输入数据预处理 image cv2.imread(args[image]) (h, w) image.shape[:2] width500#这一行定义了一个新的宽度即将图像调整为的目标宽度。 r width / float(w) 这一行创建一个新的图像维度 dim它是一个元组包含了目标宽度 width 和一个计算出的新高度。 新高度是原始高度 h 乘以比例 r 并取整数部分 dim (width, int(h * r)) 最后一行使用OpenCV的 cv2.resize 函数 将原始图像 image 调整为新的维度 dim以实现目标宽度为500像素同时保持高宽比例不变。 interpolation 参数指定了插值方法这里使用了 cv2.INTER_AREA它适合缩小图像。 image cv2.resize(image, dim, interpolationcv2.INTER_AREA) gray cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) 1.6进行人脸检测 1 是一个可选参数它控制人脸检测的程度。 通常值为 1 表示对图像进行一次粗略的检测。 你也可以尝试使用不同的值以获得更灵敏或更宽松的人脸检测结果 rects detector(gray, 1) 1.7遍历检测到的框 for (i, rect) in enumerate(rects): # 对人脸框进行关键点定位 # 转换成ndarray shape predictor(gray, rect) shape shape_to_np(shape) 1.8遍历每个面部 # 遍历每一个部分 #这段代码针对每个面部部位执行一系列操作 for (name, (i, j)) in FACIAL_LANDMARKS_68_IDXS.items(): clone image.copy() #这一行创建了图像的一个副本 clone以便在副本上绘制标记以保持原始图像不受影响。 cv2.putText(clone, name, (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2) 这一行在图像上标记面部部位的名称使用 OpenCV 的 cv2.putText 函数。 name 是部位的名称。 (10, 30) 是文本的起始坐标。 cv2.FONT_HERSHEY_SIMPLEX 是用于文本的字体。 0.7 是字体的比例因子。 (0, 0, 255) 是文本的颜色蓝色。 2 是文本的线宽。 # 根据位置画点 for (x, y) in shape[i:j]: cv2.circle(clone, (x, y), 3, (0, 0, 255), -1) 这个循环遍历给定部位的关键点坐标 (x, y)并在 clone 图像上绘制红色的小圆圈以标记关键点的位置。 (x, y) 是关键点的坐标。 3 是圆圈的半径。 (0, 0, 255) 是红色的颜色。 # 提取ROI区域 (x, y, w, h) cv2.boundingRect(np.array([shape[i:j]])) 2所有代码
#导入工具包
from collections import OrderedDict
import numpy as np
import argparse
import dlib
import cv2#https://ibug.doc.ic.ac.uk/resources/facial-point-annotations/
#http://dlib.net/files/# 参数
ap argparse.ArgumentParser()
ap.add_argument(-p, --shape-predictor, requiredTrue,helppath to facial landmark predictor)
ap.add_argument(-i, --image, requiredTrue,helppath to input image)
args vars(ap.parse_args())
这两个字典包含了不同面部部位的关键点索引范围用于标识人脸的不同部分例如嘴巴、眼睛、鼻子等。
FACIAL_LANDMARKS_68_IDXS OrderedDict([(mouth, (48, 68)),(right_eyebrow, (17, 22)),(left_eyebrow, (22, 27)),(right_eye, (36, 42)),(left_eye, (42, 48)),(nose, (27, 36)),(jaw, (0, 17))
])FACIAL_LANDMARKS_5_IDXS OrderedDict([(right_eye, (2, 3)),(left_eye, (0, 1)),(nose, (4))
])
这个函数用于将 dlib 的关键点对象转换为 NumPy 数组以便后续处理。
它遍历关键点对象中的每个点提取其 x 和 y 坐标然后将坐标保存在 NumPy 数组中。
def shape_to_np(shape, dtypeint):# 创建68*2coords np.zeros((shape.num_parts, 2), dtypedtype)# 遍历每一个关键点# 得到坐标for i in range(0, shape.num_parts):coords[i] (shape.part(i).x, shape.part(i).y)return coords
这个函数用于在图像上可视化面部关键点。它接受输入图像、关键点坐标、可选颜色和透明度参数。在输入图像上绘制关键点可以为不同面部部位指定不同的颜色。最后将可视化的图像与原图像混合以得到输出图像。
def visualize_facial_landmarks(image, shape, colorsNone, alpha0.75):# 创建两个copy# overlay and one for the final output imageoverlay image.copy()output image.copy()# 设置一些颜色区域if colors is None:colors [(19, 199, 109), (79, 76, 240), (230, 159, 23),(168, 100, 168), (158, 163, 32),(163, 38, 32), (180, 42, 220)]# 遍历每一个区域for (i, name) in enumerate(FACIAL_LANDMARKS_68_IDXS.keys()):# 得到每一个点的坐标(j, k) FACIAL_LANDMARKS_68_IDXS[name]pts shape[j:k]# 检查位置if name jaw:# 用线条连起来for l in range(1, len(pts)):ptA tuple(pts[l - 1])ptB tuple(pts[l])cv2.line(overlay, ptA, ptB, colors[i], 2)# 计算凸包else:hull cv2.convexHull(pts)cv2.drawContours(overlay, [hull], -1, colors[i], -1)# 叠加在原图上可以指定比例cv2.addWeighted(overlay, alpha, output, 1 - alpha, 0, output)return output# 加载人脸检测与关键点定位
detector dlib.get_frontal_face_detector()
predictor dlib.shape_predictor(args[shape_predictor])# 读取输入数据预处理
image cv2.imread(args[image])
(h, w) image.shape[:2]
width500#这一行定义了一个新的宽度即将图像调整为的目标宽度。
r width / float(w)
这一行创建一个新的图像维度 dim它是一个元组包含了目标宽度 width 和一个计算出的新高度。
新高度是原始高度 h 乘以比例 r 并取整数部分
dim (width, int(h * r))
最后一行使用OpenCV的 cv2.resize 函数
将原始图像 image 调整为新的维度 dim以实现目标宽度为500像素同时保持高宽比例不变。
interpolation 参数指定了插值方法这里使用了 cv2.INTER_AREA它适合缩小图像。
image cv2.resize(image, dim, interpolationcv2.INTER_AREA)
gray cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 人脸检测
1 是一个可选参数它控制人脸检测的程度。
通常值为 1 表示对图像进行一次粗略的检测。
你也可以尝试使用不同的值以获得更灵敏或更宽松的人脸检测结果
rects detector(gray, 1)# 遍历检测到的框
for (i, rect) in enumerate(rects):# 对人脸框进行关键点定位# 转换成ndarrayshape predictor(gray, rect)shape shape_to_np(shape)# 遍历每一个部分#这段代码针对每个面部部位执行一系列操作for (name, (i, j)) in FACIAL_LANDMARKS_68_IDXS.items():clone image.copy() #这一行创建了图像的一个副本 clone以便在副本上绘制标记以保持原始图像不受影响。cv2.putText(clone, name, (10, 30), cv2.FONT_HERSHEY_SIMPLEX,0.7, (0, 0, 255), 2)这一行在图像上标记面部部位的名称使用 OpenCV 的 cv2.putText 函数。name 是部位的名称。(10, 30) 是文本的起始坐标。cv2.FONT_HERSHEY_SIMPLEX 是用于文本的字体。0.7 是字体的比例因子。(0, 0, 255) 是文本的颜色蓝色。2 是文本的线宽。# 根据位置画点for (x, y) in shape[i:j]:cv2.circle(clone, (x, y), 3, (0, 0, 255), -1) 这个循环遍历给定部位的关键点坐标 (x, y)并在 clone 图像上绘制红色的小圆圈以标记关键点的位置。(x, y) 是关键点的坐标。3 是圆圈的半径。(0, 0, 255) 是红色的颜色。# 提取ROI区域(x, y, w, h) cv2.boundingRect(np.array([shape[i:j]]))roi image[y:y h, x:x w](h, w) roi.shape[:2]width250r width / float(w)dim (width, int(h * r))roi cv2.resize(roi, dim, interpolationcv2.INTER_AREA)# 显示每一部分cv2.imshow(ROI, roi)cv2.imshow(Image, clone)cv2.waitKey(0)# 展示所有区域output visualize_facial_landmarks(image, shape)cv2.imshow(Image, output)cv2.waitKey(0)
3结果展示
