dlib se da cuenta del método de alineación de rostros

Pasos

1. Detección de rostro
2. Detección de puntos clave de la cara
3. alineación de la cara

Definiciones de métodos de interfaz y clase clave

amable

1. Clase de detección de rostros: dlib.fhog_object_detectory dlib.cnn_face_detection_model_v1, el primero se basa en el modelo HOG, el segundo se basa en el modelo CNN, el método de detección anterior se denomina __call(img)__ ->dlib.rectanglesy run(img,upsample_num,threshold)->(dlib.rectangles,List[scores:int],List[int]), el método de detección posterior se denomina__call(img)__->dlib.mmod_rectangles
2. Clase de detección de puntos clave: dlib.shape_predictormétodo de llamada de predicción__call__(self,image, box: dlib.rectangle)->dlib.full_object_detection
3. Clase de resultado de detección: información de punto clave único dlib.full_object_detectionde método común , toda la información de punto clavepart(self, idx: int)->dlib.pointparts(self)->dlib.points
4. Clase de punto clave: dlib.pointpunto clave, los miembros incluyen x, y, dlib.pointslista de puntos clave

método

1. Obtenga un resultado de alineación de una sola cara

   El parámetro de relleno puede ajustar el tamaño del valor de retorno de la imagen

get_face_chip(img: numpy.ndarray[(rows,cols,3),uint8], face: _dlib_pybind11.full_object_detection, size: int=150, padding: float=0.25) -> numpy.ndarray[(rows,cols,3),uint8]

Takes an image and a full_object_detection that references a face in that image and returns the face as a Numpy array representing the image.  The face will be rotated upright and scaled to 150x150 pixels or with the optional specified size and padding.

2. Obtenga múltiples resultados de alineación de rostros

get_face_chips(img: numpy.ndarray[(rows,cols,3),uint8], faces: _dlib_pybind11.full_object_detections, size: int=150, padding: float=0.25)->list
  
  Takes an image and a full_object_detections object that reference faces in that image and returns the faces as a list of Numpy arrays representing the image.  The faces will be rotated upright and scaled to 150x150 pixels or with the optional specified size and padding.
  

Código de muestra

import dlib
import numpy as np

from cv2 import cv2

# step 1. create face detect and shape predict model
face_detector_model_path = '../models/mmod_human_face_detector.dat'
face_detector = dlib.cnn_face_detection_model_v1(face_detector_model_path)  # dlib.cnn_face_detection_model_v1
shape_model_path = r'../models/shape_predictor_68_face_landmarks.dat'
face_shape_predictor = dlib.shape_predictor(shape_model_path)  # dlib.shape_predictor

# step 2. get all face detections
image_path = "sample.jpg"
img = dlib.load_rgb_image(image_path)
detections = face_detector(img, 1)  # dlib.mmod_rectangles

# step 3. fetch one of all face detections, and if it's mmod_rectangle , convert to rectabgle
detection = detections[0]  # dlib.mmod_rectangle
# the mmod_rectangle contains two parts : confidence and rect

# step 4. get one face shape and return a single object name full_object_detection
shape = face_shape_predictor(img, detection.rect)  # dlib.full_object_detection

# step 5. get one aligned face 
image = dlib.get_face_chip(img, shape, size=150, padding=0.45) # numpy.ndarray

# Optionally: get all the aligned faces that was detected in the first place
faces = [face.rect for face in detections]
# Get the aligned face images
# faces = dlib.full_object_detections()
# faces.append(shape)
# Optionally:
images = dlib.get_face_chips(img, faces, size=160, padding=0.25)