人脸检测

简介

人脸检测是一种计算机技术，能够实现以下功能：

• 在数字图像中定位人脸。
• 识别特定人脸的关键面部特征，并获取它们的坐标位置。
• 分析并勾勒出检测到的人脸轮廓。

通常认为，人脸检测是迈向其他与人脸相关技术（如人脸识别或人脸特征码生成）的第一步。

人脸检测的重要应用

越来越多的应用场景正在利用这项技术，包括但不限于：

• 人群监控：监控拥挤的公共或私人区域，或统计进入特定区域的人数。
• 摄影：在数码相机中自动对焦并优化曝光参数。
• 考勤管理：结合生物特征检测技术，实现人员考勤管理及门禁控制。
• 市场营销：分析顾客行为或触发精准广告投放——例如，当检测到某一性别的面部时，自动展示对应的广告内容。
• 动作捕捉：将某个人的面部动作存储到数字数据库中，并基于这些数据为电影、游戏或虚拟形象生成生动的计算机动画。
• 隐私保护增强：通过对画面中检测到的人脸进行模糊化或匿名化处理，提升视频共享的安全性与隐私性。

目标

在本课程中，我们将学习如何使用前沿的 MediaPipe 库，在 Python 编程语言中实现一个人脸检测系统。

依赖库

需要安装以下 Python 外部库：

人脸检测所需的外部库

开始编码

我们将构建该工具的核心函数 detect_faces_mp，用于在数字图像中定位并提取出人脸区域。

在以下代码片段中，执行了如下步骤：

• 第 7 行：初始化 MediaPipe 库，并使用预设参数加载人脸检测模型。

• 第 10 行：加载并读取指定的输入图像。

• 第 13–14 行：保留原始图像的一份副本，并按预设尺寸调整大小，用于后续处理。

• 第 17 行：将图像从蓝绿红（BGR）格式转换为红绿蓝（RGB）格式，以符合 MediaPipe 库的要求。需要注意的是，OpenCV 默认以 BGR 格式读取图像。

• 第 20 行：使用 MediaPipe 的人脸检测子模块处理图像。

• 第 26–27 行：输出一条消息，显示检测到的人脸数量。

• 第 30 行：遍历所有检测到的人脸。

• 第 33–34 行：为每个检测到的人脸输出一条信息，包含我们为其分配的编号以及 MediaPipe 生成的置信度得分。

• 第 37–42 行：通过确定边界框来定位检测到的人脸。默认情况下，MediaPipe 返回的是归一化的三维检测数据，每个关键点包含 [x, y, z] 三个属性。为了将归一化数据转换为二维像素坐标，需将 x 值乘以图像宽度，y 值乘以图像高度。

• 第 49–54 行：在边界框上绘制矩形，作为感兴趣区域（ROI），并将其裁剪出来。

• 第 57–60 行：返回裁剪后的感兴趣区域。

• 第 72 行：关闭对象并释放资源。

完整的 detect_faces_mp 函数代码如下所示：

1def detect_faces_mp(input_path:str,display_output:bool = False):
2    """
3    检测图像中出现的人脸
4    """
5
6    # 初始化 MediaPipe 人脸检测子模块
7    mpFaceDetection = initialize_mediapipe()
8
9    # 读取输入图像
10    img = cv2.imread(input_path)
11
12    # 保留原始图像副本
13    frame = img.copy()
14    frame = imutils.resize(frame, width=FRAME_WIDTH, height=FRAME_HEIGHT)
15
16    # 将图像从 BGR 转换为 RGB 格式
17    rgb_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
18
19    # 使用 RGB 图像进行人脸检测
20    faces = mpFaceDetection.process(rgb_frame)
21
22    output      = []
23    output_info = []
24
25    # 消息分类：info, success, warning, danger
26    output_msg = {'msg':"{} 张人脸被检测到。".format(len(faces.detections)),'category':"info"}
27    output_info.append(output_msg)
28
29    # 遍历检测到的每张人脸
30    for idx, face_detected in enumerate(faces.detections):
31
32        output_item = None
33        label = f"人脸 ID = {(idx+1)} - 检测置信度 {int(face_detected.score[0]*100)}%"
34        print(label)
35
36        # 获取相对边界框
37        relativeBoundingBox = face_detected.location_data.relative_bounding_box
38        frameHeight,frameWidth,frameChannels = frame.shape
39        faceBoundingBox = int(relativeBoundingBox.xmin*frameWidth)  \
40                         ,int(relativeBoundingBox.ymin*frameHeight) \
41                         ,int(relativeBoundingBox.width*frameWidth) \
42                         ,int(relativeBoundingBox.height*frameHeight)
43
44        # 重新复制原始图像并调整尺寸
45        frame = img.copy()
46        frame = imutils.resize(frame, width=FRAME_WIDTH, height=FRAME_HEIGHT)
47
48        # 在边界框周围绘制矩形
49        cv2.rectangle(frame, faceBoundingBox, (0,255,0),3)
50
51        x,y,w,h = faceBoundingBox
52
53        # 彩色模式下的感兴趣区域（人脸区域）
54        roi_face_color = frame[y:y+h,x:x+w]
55
56        # 保存裁剪后的人脸图像
57        output_filepath = os.path.join(config.PROCESSED_PATH, str(uuid.uuid4().hex) + os.path.splitext(input_path)[1])
58        cv2.imwrite(output_filepath, roi_face_color)
59        output_item = {'id':idx, 'folder': config.PROCESSED_FOLDER, 'name':os.path.basename(output_filepath) , 'msg':label }
60        output.append(output_item)
61
62        if display_output:
63            # 在屏幕上显示裁剪结果
64            cv2.imshow(label,roi_face_color)
65            # 保持窗口显示，直到用户按键
66            cv2.waitKey(0)
67
68    if display_output:
69        # 清理窗口
70        cv2.destroyAllWindows()
71
72    mpFaceDetection.close()
73
74    return output_info , output

测试场景

让我们尝试在一个数字图像中定位人脸。运行程序后，请按照以下步骤操作：

• 从已上传的图像中选择一张进行测试。值得注意的是，也可以随时上传自定义图像进行处理。
• 选择并运行人脸检测流程。

为了加深理解，我们可以尝试修改上述代码，设计自己的测试用例！

结论

人脸检测在人脸分析、跟踪和识别等领域中起着至关重要的作用。MediaPipe 提供的人脸检测方案具有超快的速度、高性能和高精度，能够有效从数字图像中提取出人脸区域。