本文共 2487 字，大约阅读时间需要 8 分钟。

基于 Dlib 库训练 68 点人脸特征点检测

准备训练集

要使用 Dlib 库训练自己的 68 点人脸特征点检测模型，首先需要一个标注工具。Dlib 提供了 imglab 工具，可以帮助我们快速完成标注工作。以下是使用 imglab 工具的步骤指南：

训练代码

以下是基于 Dlib 库进行训练的完整代码示例：

import os
import dlib
# 定义当前工作目录
current_path = os.getcwd()
# 设置训练数据的路径
faces_path = os.path.join(current_path, "examples/faces")
# 初始化训练参数
options = dlib.shape_predictor_training_options()
options.oversampling_amount = 300  # 增加训练样本量
options.nu = 0.05  # 调整正则项系数以防止过拟合
options.tree_depth = 2  # 设置树的深度
options.be_verbose = True  # 启用训练信息日志
# 加载训练数据
training_xml_path = os.path.join(faces_path, "training_with_face_landmarks.xml")
# 开始训练模型
dlib.train_shape_predictor(training_xml_path, "predictor.dat", options)
# 输出训练结果
print("Training accuracy: {}".format(dlib.test_shape_predictor(training_xml_path, "predictor.dat")))

参数说明

以下是 dlib.train_shape_predictor 函数的核心参数及其作用：

测试代码

以下是测试训练模型的代码示例：

import os
import cv2
import dlib
# 定义当前工作目录
current_path = os.getcwd()
# 设置训练数据的路径
faces_path = os.path.join(current_path, "examples/faces")
# 加载训练好的模型文件
predictor_path = os.path.join(faces_path, "predictor.dat")
# 初始化人脸检测器和预测器
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor(predictor_path)
# 遍历训练集中的所有图片
for f in glob.glob(os.path.join(faces_path, "*.jpg")):
    print("Processing file: {}".format(f))
    img = cv2.imread(f)
    img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # 检测面部关键点
    dets = detector(img_gray, 1)
    print("Number of faces detected: {}".format(len(dets)))
    
    for face in dets:
        # 画出面部框
        cv2.rectangle(img, (face.left(), face.top()), (face.right(), face.bottom()), (0, 255, 0), 3)
        
        # 预测面部关键点
        shape = predictor(img, face)
        
        # 绘制面部关键点
        for pt in shape.parts():
            cv2.circle(img, (pt.x, pt.y), 2, (255, 0, 0), 1)

注意事项

通过以上步骤和代码示例，你可以轻松实现基于 Dlib 库的 68 点人脸特征点检测模型训练和测试。

转载地址：http://sgcu.baihongyu.com/