最近看了一篇很有意思的文章?http://matthewearl.github.io/2015/07/28/switching-eds-with-python/ ，本來想自己復現一下，后來發現自己太菜，用了一整天只完成了不到一半，最近要找工作了，看書看的有點煩，本來想寫個有趣的代碼放松下。哎。

開始正文。原作者用的是dlib的庫完成關鍵點檢測，試著裝了一下，沒裝成，那就不用了。本來想用自己的庫，后來想了下自己封裝的太爛了，還是改用別人的吧，這樣程序的大小也會小很多，訓練好的文件還是比較大的。

首先去Face++注冊一個賬號，然后創建應用(得到訪問的密鑰)，這里直接截圖了。

我用的是Python 接口，去github下載SDK ?https://github.com/FacePlusPlus/facepp-python-sdk/tree/v2.0

修改apikey.cfg的內容，可以運行hello.py的歷程。

注意服務器的地址不要選錯，還有就是官方的歷程里是這樣的，API_KEY = ‘‘,替換直接的密鑰時記得把<>也刪掉，不然也會報錯。

SDK的facepp.py文件的350行左右修改一下，添加?‘/detection/landmark‘,這句，不然的話人臉關鍵點檢測的接口無法調用。

這里稍微吐槽一下，Face++的SDK寫的真不怎么好，很多地方不夠詳細，而且程序有時會因為網絡問題出現bug。想上傳自己的圖片也找不到接口，官網只給了這么幾句，

感覺解釋的太簡單了吧，SDK里也沒有見到有相關的本地圖片上傳接口。

說了這么多，展示一下效果，然后貼代碼。

這是人類關鍵點檢測的效果。

由于開始選的兩個臉對齊的比較好，所以換了一張，這里完成的效果是把第二幅圖片的人臉縮放、旋轉和第一張人臉對其。之后的操作就是裁剪、覆蓋了。

下面貼一下代碼，只為完成了一半(文章里寫的這么多)，后面的部分不太熟悉，要找工作了，沒心情寫代碼。。。

這里建議大家自己注冊一個賬號，每個賬號的開發者版本同時有3個線程，如果我這里修改了密鑰程序應該會報錯，這里可能程序無法運行。

#!/usr/bin/env python2

# -*- coding: utf-8 -*-

# You need to register your App first, and enter you API key/secret.

# 您需要先注冊一個App，并將得到的API key和API secret寫在這里。API_KEY = 'de12a860239680fb8aba7c8283efffd9'

API_SECRET = '61MzhMy_j_L8T1-JAzVjlBSsKqy2pUap'

# Import system libraries and define helper functions

# 導入系統庫并定義輔助函數

import time

import os

import cv2

import numpy

import urllib

import re

from facepp import API

ALIGN_POINTS = list(range(0,25))

OVERLAY_POINTS=list(range(0,25))

RIGHT_EYE_POINTS = list(range(2, 6))

LEFT_EYE_POINTS = list(range(4, 8))

FEATHER_AMOUNT = 11

SCALE_FACTOR = 1

COLOUR_CORRECT_BLUR_FRAC = 0.6

def encode(obj):

if type(obj) is unicode:

return obj.encode('utf-8')

if type(obj) is dict:

return {encode(k): encode(v) for (k, v) in obj.iteritems()}

if type(obj) is list:

return [encode(i) for i in obj]

return obj

def getPoints(text):

a=encode(text)

a=str(a)

#print a

x = re.findall(r'\'x\':......',a)

for i in range(len(x)):

x[i]=re.findall(r'\d+\.\d\d',x[i])

y = re.findall(r'\'y\':......',a)

for i in range(len(y)):

y[i]=re.findall(r'\d+\.\d\d',y[i])

xy =zip(x,y)

return xy

def drawPoints(img,xy): #畫點，用于檢測程序運行情況

Img = img

tmp = numpy.array(img)

h,w,c = tmp.shape

for i,j in xy:

xp=float(i[0])*w/100.

yp=float(j[0])*h/100.

point = (int(xp),int(yp))

cv2.circle(Img,point,1,(0,255,0))

return Img

def get_landmarks(path,tmpPic):

result = api.detection.detect(url = path,mode = 'oneface')

ID = result['face'][0]['face_id']

points = api.detection.landmark(face_id=ID,type = '25p')

xy = getPoints(points)

print 'downloading the picture....'

urllib.urlretrieve(path,tmpPic) #為防止圖片內容有變化，每次都下載一遍，調試可以不用

tmp = cv2.imread(tmpPic)

#測試

Img = drawPoints(tmp,xy)

cv2.imwrite('point.jpg',Img)

tmp = numpy.array(tmp)

h,w,c = tmp.shape

points = numpy.empty([25,2],dtype=numpy.int16)

n=0

for i,j in xy:

xp=float(i[0])*w/100.

yp=float(j[0])*h/100.

points[n][0]=int(xp)

points[n][1]=int(yp)

n+=1

return numpy.matrix([[i[0], i[1]] for i in points])

#return points

def transformation_from_points(points1, points2):

"""

Return an affine transformation [s * R | T] such that:

sum ||s*R*p1,i + T - p2,i||^2

is minimized.

"""

# Solve the procrustes problem by subtracting centroids, scaling by the

# standard deviation, and then using the SVD to calculate the rotation. See

# the following for more details:

# https://en.wikipedia.org/wiki/Orthogonal_Procrustes_problem

points1 = points1.astype(numpy.float64)

points2 = points2.astype(numpy.float64)

c1 = numpy.mean(points1, axis=0)

c2 = numpy.mean(points2, axis=0)

points1 -= c1

points2 -= c2

s1 = numpy.std(points1)

s2 = numpy.std(points2)

points1 /= s1

points2 /= s2

U, S, Vt = numpy.linalg.svd(points1.T * points2)

# The R we seek is in fact the transpose of the one given by U * Vt. This

# is because the above formulation assumes the matrix goes on the right

# (with row vectors) where as our solution requires the matrix to be on the

# left (with column vectors).

R = (U * Vt).T

return numpy.vstack([numpy.hstack(((s2 / s1) * R,

c2.T - (s2 / s1) * R * c1.T)),

numpy.matrix([0., 0., 1.])])

def warp_im(im, M, dshape):

output_im = numpy.zeros(dshape, dtype=im.dtype)

cv2.warpAffine(im,

M[:2],

(dshape[1], dshape[0]),

dst=output_im,

borderMode=cv2.BORDER_TRANSPARENT,

flags=cv2.WARP_INVERSE_MAP)

return output_im

if __name__ == '__main__':

api = API(API_KEY, API_SECRET)

path1='http://www.faceplusplus.com/static/img/demo/17.jpg'

path2='http://www.faceplusplus.com/static/img/demo/7.jpg'

#path2='http://cimg.163.com/auto/2004/8/28/200408281055448e023.jpg'

tmp1='./tmp1.jpg'

tmp2='./tmp2.jpg'

landmarks1=get_landmarks(path1,tmp1)

landmarks2=get_landmarks(path2,tmp2)

im1 = cv2.imread(tmp1,cv2.IMREAD_COLOR)

im2 = cv2.imread(tmp2,cv2.IMREAD_COLOR)

M = transformation_from_points(landmarks1[ALIGN_POINTS],

landmarks2[ALIGN_POINTS])

warped_im2 = warp_im(im2, M, im1.shape)

cv2.imwrite('wrap.jpg',warped_im2)

版權聲明：本文為博主原創文章，未經博主允許不得轉載。

總結

以上是生活随笔為你收集整理的python人脸关键点识别_用Face++实现人脸关键点检测的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。