用Python与OpenCV的实践：实时面部对称性分析

news2024/9/25 16:53:28

思路分析

整体代码

效果展示

总结

在当今计算机视觉领域，人脸识别和分析技术得到了广泛应用。无论是安全验证、社交媒体应用，还是美学研究，人脸特征的提取和分析都是关键技术之一。在这篇博客中，我们将深入探讨一个有趣的项目：实时面部对称性分析。通过使用Python语言、OpenCV库和dlib库，实现一个能够实时检测人脸并评估其对称性的程序。

思路分析

导入库：
- 使用cv2处理图像和视频流，dlib用于人脸检测和特征点提取，numpy进行数值计算，PIL用于绘制中文文本。
加载模型：
- 使用dlib加载人脸检测器和特征点预测器，特征点预测器利用68个关键点来定位人脸特征。
定义对称性计算函数：
- calculate_symmetry函数计算左右眼中心与鼻子的距离，进而评估面部的对称性。对称性分数是左右鼻子距离的差值，值越小表示越对称。
文本绘制函数：
- draw_text函数将OpenCV图像转换为PIL图像，利用PIL绘制中文文本，避免OpenCV不支持中文的问题。
摄像头初始化：
- 使用cv2.VideoCapture(0)打开默认摄像头。
实时视频处理循环：
- 循环读取摄像头帧，将每帧转换为灰度图像以进行人脸检测。
- 检测到人脸后，提取特征点并计算对称性分数。
- 根据分数分类对称性状态，并在图像上绘制特征点和状态信息。
帧率计算：
- 计算每帧处理的时间，以便显示实时帧率。
显示结果：
- 使用cv2.imshow显示处理后的图像，用户可以通过按下“q”键退出。
释放资源：
- 结束时释放摄像头和关闭所有窗口。

整体代码

import cv2
import dlib
import numpy as np
import time
from PIL import Image, ImageDraw, ImageFont

# 加载人脸检测器和特征点预测器
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor("./model/shape_predictor_68_face_landmarks.dat")

def calculate_symmetry(landmarks):
    left_eye = landmarks[36:42]
    right_eye = landmarks[42:48]
    nose = landmarks[30]

    left_eye_center = np.mean(left_eye, axis=0)
    right_eye_center = np.mean(right_eye, axis=0)

    left_nose_distance = np.linalg.norm(left_eye_center - nose)
    right_nose_distance = np.linalg.norm(right_eye_center - nose)

    symmetry_score = abs(left_nose_distance - right_nose_distance)

    return symmetry_score

def draw_text(image, text, position, font_size=30):
    # 将OpenCV图像转换为PIL图像
    pil_image = Image.fromarray(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
    draw = ImageDraw.Draw(pil_image)
    font = ImageFont.truetype("simhei.ttf", font_size)  # 使用黑体字体
    draw.text(position, text, font=font, fill=(255, 255, 255, 0))
    return cv2.cvtColor(np.array(pil_image), cv2.COLOR_RGB2BGR)

# 初始化摄像头
cap = cv2.VideoCapture(0)

while True:
    start_time = time.time()  # 记录开始时间
    ret, frame = cap.read()
    if not ret:
        break

    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

    # 检测人脸
    faces = detector(gray)
    for face in faces:
        landmarks = predictor(gray, face)
        landmarks = np.array([[p.x, p.y] for p in landmarks.parts()])

        # 计算对称性
        symmetry_score = calculate_symmetry(landmarks)

        # 对称性分类
        if symmetry_score < 5:
            symmetry_status = "完全对称"
        elif symmetry_score < 10:
            symmetry_status = "较为对称"
        elif symmetry_score < 15:
            symmetry_status = "不太对称"
        else:
            symmetry_status = "高度不对称"

        # 可视化特征点
        for (x, y) in landmarks:
            cv2.circle(frame, (x, y), 2, (0, 255, 0), -1)

        # 在图像上显示对称性分数和状态
        frame = draw_text(frame, f'对称性分数: {symmetry_score:.2f}', (10, 30))
        frame = draw_text(frame, f'状态: {symmetry_status}', (10, 60))

    # 计算并显示FPS
    fps = 1 / (time.time() - start_time)
    frame = draw_text(frame, f'帧率: {fps:.2f}', (10, 90))

    # 显示图像
    cv2.imshow("haha", frame)

    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# 释放摄像头和窗口
cap.release()
cv2.destroyAllWindows()