OpenCV实现人脸对齐

OpenCV学堂

发布于 2018-04-24 15:20:13

4.2K2

发布于 2018-04-24 15:20:13

OpenCV实现人脸对齐

一：人脸对齐介绍

在人脸识别中有一个重要的预处理步骤-人脸对齐，该操作可以大幅度提高人脸识别的准确率与稳定性，但是早期的OpenCV版本不支持人脸Landmark检测，因此一般都是通过对人脸进行分割，然后通过角点检测来寻找眼睛两个角点，连线之后根据它们有水平线的角度，旋转实现人脸对齐之后在提取人脸区域，OpenCV3.x版本开始支持获取Landmark数据，最常见的Landmark数据就是人脸的68个标准点位，图示如下：

实现对齐主要是基于眼睛的位置，对人脸倾斜进行几何变换，实现人脸对齐操作，人脸对齐对提高人脸识别率特别重要，常见的人脸识别系统都会包含人脸对齐操作，举例如下：

二：人脸对齐代码实现

基于OpenCV实现人脸对齐主要分为如下几步

1.人脸检测器定义与Landmark检测

OpenCV中通过HAAR或者LBP特征实现了人脸检测，最新的OpenCV3.4基于残差网络也实现了人脸检测，相关的文章可以阅读：

OpenCV基于残差网络实现人脸检测

详解LBP特征与应用(人脸识别)

有了人脸之后，我们就可以通过加载预训练的Landmark检测模型，实现Landmark检测，这里使用的模型是局部二值特征(LBF-Local Binary Feature)实现人脸68个点位的检测，这个也是2014年CVPR的一篇论文。最新的OpenCV3.4 Landmark检测器支持自定义人脸检测器设置，所以只要把我们上面的HAAR/LBP/残差人脸检测器设置过去就会自动检测人脸，然后发现Landmark数据。整个代码实现如下：

// 创建LBF landmark 检测器
Ptr<FacemarkLBF> facemark = FacemarkLBF::create(params);
facemark->setFaceDetector((FN_FaceDetector)myDetector, &face_cascade);

// 加载模型数据
facemark->loadModel("D:/vcprojects/images/lbfmodel.yaml");
cout << "Loaded model" << endl;

// 开始检测
printf("start to detect landmarks...\n");
vector<Rect> faces;
facemark->getFaces(img, faces);
vector< vector<Point2f> > shapes;
if (facemark->fit(img, faces, shapes))
{
    Point eye_left; // 36th
    Point eye_right; // 45th
    for (unsigned long i = 0; i<faces.size(); i++) {
        eye_left = shapes[i][36];
        eye_right = shapes[i][45];
        line(img, eye_left, eye_right, Scalar(255, 0, 0), 2, 8, 0);
        face_alignment(img(faces[i]), eye_left, eye_right, faces[i]);

        // 绘制人脸矩形区域
        rectangle(img, faces[i], Scalar(255, 0, 0));
        // 绘制人脸68个 landmark点位
        for (unsigned long k = 0; k<shapes[i].size(); k++)
            cv::circle(img, shapes[i][k], 2, cv::Scalar(0, 0, 255), FILLED);
    }
    namedWindow("Detected_shape");
    imshow("Detected_shape", img);
    waitKey(0);
}

2.Landmark数据处理

对Landmark数据提取获得眼睛位置坐标，这里我们获取的是36与45两个点坐标计算角度（参照第一张图），然后通过几何变换实现人脸对齐操作。代码如下：

int offsetx = roi.x;
int offsety = roi.y;

// 计算中心位置
int cx = roi.width / 2;
int cy = roi.height / 2;

// 计算角度
int dx = right.x - left.x;
int dy = right.y - left.y;
double degree = 180 * ((atan2(dy, dx)) / CV_PI);

// 旋转矩阵计算
Mat M = getRotationMatrix2D(Point2f(cx, cy), degree, 1.0);
Point2f center(cx, cy);
Rect bbox = RotatedRect(center, face.size(), degree).boundingRect();
M.at<double>(0, 2) += (bbox.width / 2.0 - center.x);
M.at<double>(1, 2) += (bbox.height / 2.0 - center.y);

// 对齐
Mat result;
warpAffine(face, result, M, bbox.size());
imshow("face-alignment", result);

3.运行效果

完整的程序代码如下：

#include <opencv2/opencv.hpp>
#include <opencv2/face.hpp>
#include <math.h>
#include <iostream>

using namespace cv;
using namespace cv::face;
using namespace std;

const String  lbpfilePath = "D:/opencv-3.4/opencv/build/etc/lbpcascades/lbpcascade_frontalface.xml";
bool myDetector(InputArray image, OutputArray faces, CascadeClassifier *face_cascade);
void face_alignment(Mat &face, Point left, Point right, Rect roi);

int main(int argc, char** argv) {
    Mat img = imread("D:/vcprojects/images/gaoyy.png");
    namedWindow("input", CV_WINDOW_AUTOSIZE);
    imshow("input", img);

    CascadeClassifier face_cascade;
    face_cascade.load(lbpfilePath);

    FacemarkLBF::Params params;
    params.n_landmarks = 68; // 68个标注点
    params.initShape_n = 10;
    params.stages_n = 5; // 算法的5个强化步骤
    params.tree_n = 6; // 模型中每个标注点结构树 数目
    params.tree_depth = 5; // 决策树深度

    // 创建LBF landmark 检测器
    Ptr<FacemarkLBF> facemark = FacemarkLBF::create(params);
    facemark->setFaceDetector((FN_FaceDetector)myDetector, &face_cascade);

    // 加载模型数据
    facemark->loadModel("D:/vcprojects/images/lbfmodel.yaml");
    cout << "Loaded model" << endl;

    // 开始检测
    printf("start to detect landmarks...\n");
    vector<Rect> faces;
    facemark->getFaces(img, faces);
    vector< vector<Point2f> > shapes;
    if (facemark->fit(img, faces, shapes))
    {
        Point eye_left; // 36th
        Point eye_right; // 45th
        for (unsigned long i = 0; i<faces.size(); i++) {
            eye_left = shapes[i][36];
            eye_right = shapes[i][45];
            line(img, eye_left, eye_right, Scalar(255, 0, 0), 2, 8, 0);
            face_alignment(img(faces[i]), eye_left, eye_right, faces[i]);

            // 绘制人脸矩形区域
            rectangle(img, faces[i], Scalar(255, 0, 0));
            // 绘制人脸68个 landmark点位
            for (unsigned long k = 0; k<shapes[i].size(); k++)
                cv::circle(img, shapes[i][k], 2, cv::Scalar(0, 0, 255), FILLED);
        }
        namedWindow("Detected_shape");
        imshow("Detected_shape", img);
        waitKey(0);
    }
    return 0;
}

bool myDetector(InputArray image, OutputArray faces, CascadeClassifier *face_cascade)
{
    Mat gray;

    if (image.channels() > 1)
        cvtColor(image, gray, COLOR_BGR2GRAY);
    else
        gray = image.getMat().clone();

    equalizeHist(gray, gray);

    std::vector<Rect> faces_;
    face_cascade->detectMultiScale(gray, faces_, 1.1, 1, CASCADE_SCALE_IMAGE, Size(50, 50));
    Mat(faces_).copyTo(faces);
    return true;
}

void face_alignment(Mat &face, Point left, Point right, Rect roi) {
    int offsetx = roi.x;
    int offsety = roi.y;

    // 计算中心位置
    int cx = roi.width / 2;
    int cy = roi.height / 2;

    // 计算角度
    int dx = right.x - left.x;
    int dy = right.y - left.y;
    double degree = 180 * ((atan2(dy, dx)) / CV_PI);

    // 旋转矩阵计算
    Mat M = getRotationMatrix2D(Point2f(cx, cy), degree, 1.0);
    Point2f center(cx, cy);
    Rect bbox = RotatedRect(center, face.size(), degree).boundingRect();
    M.at<double>(0, 2) += (bbox.width / 2.0 - center.x);
    M.at<double>(1, 2) += (bbox.height / 2.0 - center.y);

    // 对齐
    Mat result;
    warpAffine(face, result, M, bbox.size());
    imshow("face-alignment", result);
}

本文参与腾讯云自媒体分享计划，分享自微信公众号。

原始发表：2018-04-17，如有侵权请联系 cloudcommunity@tencent.com 删除

opencv

人脸识别

本文分享自 OpenCV学堂微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体分享计划，欢迎热爱写作的你一起参与！

opencv

人脸识别

登录后参与评论

0 条评论

热度