Python3利用Dlib实现摄像头实时人脸检测和平铺显示示例

1. 引言

在某些场景下，我们不仅需要进行实时人脸检测追踪，还要进行再加工；这里进行摄像头实时人脸检测，并对于实时检测的人脸进行初步提取；

单个/多个人脸检测，并依次在摄像头窗口，实时平铺显示检测到的人脸；

检测到的人脸矩形图像，会依次平铺显示在摄像头的左上方；

当多个人脸时候，也能够依次铺开显示；

左上角窗口的大小会根据捕获到的人脸大小实时变化；

2. 代码实现

主要分为三个部分：

摄像头调用，利用 OpenCv 里面的cv2.VideoCapture();

人脸检测，这里利用开源的 Dlib 框架，Dlib 中人脸检测具体可以参考python/' target='_blank'>python 3 利用 Dlib 19.7 进行人脸检测；

图像填充，剪切部分可以参考Python 3 利用 Dlib 实现人脸检测和剪切；

2.1 摄像头调用

Python 中利用 OpenCv 调用摄像头的一个例子how_to_use_camera.py:

# OpenCv 调用摄像头# 默认调用笔记本摄像头# Author:  coneypo# Blog:   http://www.cnblogs.com/AdaminXie# GitHub:  https://github.com/coneypo/Dlib_face_cut# Mail:   coneypo@foxmail.comimport cv2cap = cv2.VideoCapture(0)# cap.set(propId, value)# 设置视频参数: propId - 设置的视频参数, value - 设置的参数值cap.set(3, 480)# cap.isOpened() 返回 true/false, 检查摄像头初始化是否成功print(cap.isOpened())# cap.read()""" 返回两个值  先返回一个布尔值, 如果视频读取正确, 则为 True, 如果错误, 则为 False;   也可用来判断是否到视频末尾;    再返回一个值, 为每一帧的图像, 该值是一个三维矩阵;    通用接收方法为:     ret,frame = cap.read();    ret: 布尔值;    frame: 图像的三维矩阵;    这样 ret 存储布尔值, frame 存储图像;        若使用一个变量来接收两个值, 如:      frame = cap.read()    则 frame 为一个元组, 原来使用 frame 处需更改为 frame[1]"""while cap.isOpened():  ret_flag, img_camera = cap.read()  cv2.imshow("camera", img_camera)  # 每帧数据延时 1ms, 延时为0, 读取的是静态帧  k = cv2.waitKey(1)  # 按下 's' 保存截图  if k == ord('s'):    cv2.imwrite("test.jpg", img_camera)  # 按下 'q' 退出  if k == ord('q'):    break# 释放所有摄像头cap.release()# 删除建立的所有窗口cv2.destroyAllWindows()

2.2 人脸检测

利用 Dlib 正向人脸检测器，dlib.get_frontal_face_detector()；

对于本地人脸图像文件，一个利用 Dlib 进行人脸检测的例子:

face_detector_v2_use_opencv.py:

# created at 2017-11-27# updated at 2018-09-06# Author:  coneypo# Dlib:   http://dlib.net/# Blog:   http://www.cnblogs.com/AdaminXie/# Github:  https://github.com/coneypo/Dlib_examples# create object of OpenCv# use OpenCv to read and show imagesimport dlibimport cv2# 使用 Dlib 的正面人脸检测器 frontal_face_detectordetector = dlib.get_frontal_face_detector()# 图片所在路径# read imageimg = cv2.imread("imgs/faces_2.jpeg")# 使用 detector 检测器来检测图像中的人脸# use detector of Dlib to detector facesfaces = detector(img, 1)print("人脸数 / Faces in all: ", len(faces))# Traversal every facefor i, d in enumerate(faces):  print("第", i+1, "个人脸的矩形框坐标：",     "left:", d.left(), "right:", d.right(), "top:", d.top(), "bottom:", d.bottom())  cv2.rectangle(img, tuple([d.left(), d.top()]), tuple([d.right(), d.bottom()]), (0, 255, 255), 2)cv2.namedWindow("img", 2)cv2.imshow("img", img)cv2.waitKey(0)

2.3 图像裁剪

如果想访问图像的某点像素，对于 opencv 对象可以利用索引 img [height] [width]：

存储像素其实是一个三维数组，先高度 height，然后宽度 width;

返回的是一个颜色数组（0-255，0-255，0-255），按照（B,G,R）的顺序；

比如蓝色就是（255，0，0），红色是（0，0，255）;

所以要做的就是对于检测到的人脸，要依次平铺填充到摄像头显示的实时帧 img_rd 中；

所以进行图像裁剪填充这块的代码如下（注意要防止截切平铺的图像不能超出 640x480 ）:

# 检测到人脸if len(faces) != 0:  # 记录每次开始写入人脸像素的宽度位置  faces_start_width = 0  for face in faces:    # 绘制矩形框    cv2.rectangle(img_rd, tuple([face.left(), face.top()]), tuple([face.right(), face.bottom()]),           (0, 255, 255), 2)    height = face.bottom() - face.top()    width = face.right() - face.left()    ### 进行人脸裁减 ###    # 如果没有超出摄像头边界    if (face.bottom() < 480) and (face.right() < 640) and \        ((face.top() + height) < 480) and ((face.left() + width) < 640):      # 填充      for i in range(height):        for j in range(width):          img_rd[i][faces_start_width + j] = \            img_rd[face.top() + i][face.left() + j]    # 更新 faces_start_width 的坐标    faces_start_width += width

记得要更新faces_start_width的坐标，达到依次平铺的效果:

2.4. 完整源码

faces_from_camera.py:

# 调用摄像头实时单个/多个人脸检测，并依次在摄像头窗口，实时平铺显示检测到的人脸；# Author:  coneypo# Blog:   http://www.cnblogs.com/AdaminXie# GitHub:  https://github.com/coneypo/Dlib_face_cutimport dlibimport cv2import time# 储存截图的目录path_screenshots = "data/images/screenshots/"detector = dlib.get_frontal_face_detector()predictor = dlib.shape_predictor('data/dlib/shape_predictor_68_face_landmarks.dat')# 创建 cv2 摄像头对象cap = cv2.VideoCapture(0)# 设置视频参数，propId 设置的视频参数，value 设置的参数值cap.set(3, 960)# 截图 screenshots 的计数器ss_cnt = 0while cap.isOpened():  flag, img_rd = cap.read()  # 每帧数据延时 1ms，延时为 0 读取的是静态帧  k = cv2.waitKey(1)  # 取灰度  img_gray = cv2.cvtColor(img_rd, cv2.COLOR_RGB2GRAY)  # 人脸数  faces = detector(img_gray, 0)  # 待会要写的字体  font = cv2.FONT_HERSHEY_SIMPLEX  # 按下 'q' 键退出  if k == ord('q'):    break  else:    # 检测到人脸    if len(faces) != 0:      # 记录每次开始写入人脸像素的宽度位置      faces_start_width = 0      for face in faces:        # 绘制矩形框        cv2.rectangle(img_rd, tuple([face.left(), face.top()]), tuple([face.right(), face.bottom()]),               (0, 255, 255), 2)        height = face.bottom() - face.top()        width = face.right() - face.left()        ### 进行人脸裁减 ###        # 如果没有超出摄像头边界        if (face.bottom() < 480) and (face.right() < 640) and \            ((face.top() + height) < 480) and ((face.left() + width) < 640):          # 填充          for i in range(height):            for j in range(width):              img_rd[i][faces_start_width + j] = \                img_rd[face.top() + i][face.left() + j]        # 更新 faces_start_width 的坐标        faces_start_width += width      cv2.putText(img_rd, "Faces in all: " + str(len(faces)), (20, 350), font, 0.8, (0, 0, 0), 1, cv2.LINE_AA)    else:      # 没有检测到人脸      cv2.putText(img_rd, "no face", (20, 350), font, 0.8, (0, 0, 0), 1, cv2.LINE_AA)    # 添加说明    img_rd = cv2.putText(img_rd, "Press 'S': Screen shot", (20, 400), font, 0.8, (255, 255, 255), 1, cv2.LINE_AA)    img_rd = cv2.putText(img_rd, "Press 'Q': Quit", (20, 450), font, 0.8, (255, 255, 255), 1, cv2.LINE_AA)  # 按下 's' 键保存  if k == ord('s'):    ss_cnt += 1    print(path_screenshots + "screenshot" + "_" + str(ss_cnt) + "_" + time.strftime("%Y-%m-%d-%H-%M-%S",                                            time.localtime()) + ".jpg")    cv2.imwrite(path_screenshots + "screenshot" + "_" + str(ss_cnt) + "_" + time.strftime("%Y-%m-%d-%H-%M-%S",                                               time.localtime()) + ".jpg",          img_rd)  cv2.namedWindow("camera", 1)  cv2.imshow("camera", img_rd)# 释放摄像头cap.release()# 删除建立的窗口cv2.destroyAllWindows()

这个代码就是把之前做的人脸检测，图像拼接几个结合起来，代码量也很少，只有100行，如有问题可以参考之前博客：

Python 3 利用 Dlib 进行人脸检测

Python 3 利用 Dlib 实现人脸检测和剪切

人脸检测对于机器性能占用不高，但是如果要进行实时的图像裁剪拼接，计算量可能比较大，所以可能会出现卡顿；

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。