50行Python代码实现人脸检测功能

现在的人脸识别技术已经得到了非常广泛的应用，支付领域、身份验证、美颜相机里都有它的应用。用iPhone的同学们应该对下面的功能比较熟悉

iPhone的照片中有一个“人物”的功能，能够将照片里的人脸识别出来并分类，背后的原理也是人脸识别技术。

这篇文章主要介绍怎样用Python实现人脸检测。人脸检测是人脸识别的基础。人脸检测的目的是识别出照片里的人脸并定位面部特征点，人脸识别是在人脸检测的基础上进一步告诉你这个人是谁。

好了，介绍就到这里。接下来，开始准备我们的环境。

准备工作

本文的人脸检测基于dlib，dlib依赖Boost和cmake，所以首先需要安装这些包，以Ubuntu为例：

$ sudo apt-get install build-essential cmake $ sudo apt-get install libgtk-3-dev $ sudo apt-get install libboost-all-dev

我们的程序中还用到numpy，opencv，所以也需要安装这些库：

$ pip install numpy $ pip install scipy $ pip install opencv-python $ pip install dlib

人脸检测基于事先训练好的模型数据，从这里可以下到模型数据

http://dlib.net/files/shape_predictor_68_face_landmarks.dat.bz2

下载到本地路径后解压，记下解压后的文件路径，程序中会用到。

dlib的人脸特征点

上面下载的模型数据是用来估计人脸上68个特征点(x, y)的坐标位置，这68个坐标点的位置如下图所示

我们的程序将包含两个步骤：

第一步，在照片中检测人脸的区域

第二部，在检测到的人脸区域中，进一步检测器官（眼睛、鼻子、嘴巴、下巴、眉毛）

人脸检测代码

我们先来定义几个工具函数：

def rect_to_bb(rect):   x = rect.left()   y = rect.top()   w = rect.right() - x   h = rect.bottom() - y     return (x, y, w, h)

这个函数里的rect是dlib脸部区域检测的输出。这里将rect转换成一个序列，序列的内容是矩形区域的边界信息。

def shape_to_np(shape, dtype="int"):   coords = np.zeros((68, 2), dtype=dtype)     for i in range(0, 68):       coords[i] = (shape.part(i).x, shape.part(i).y)     return coords

这个函数里的shape是dlib脸部特征检测的输出，一个shape里包含了前面说到的脸部特征的68个点。这个函数将shape转换成Numpy array，为方便后续处理。

def resize(image, width=1200):   r = width * 1.0 / image.shape[1]   dim = (width, int(image.shape[0] * r))   resized = cv2.resize(image, dim, interpolation=cv2.INTER_AREA)     return resized