当前位置：首页 > news >正文

基于 OpenCV 和 DLib 实现面部特征调整（眼间距、鼻子、嘴巴）

news 2025/6/3 22:51:28

摘要

本文介绍如何利用Dlib面部特征点检测和OpenCV图像处理技术，通过Python实现面部特征的精准调整。我们将以改变眼间距为例，演示包括地标检测、三角剖分变形等关键技术，该方法可扩展至嘴唇、眉毛等面部特征的调整。

技术栈

- Python 3.8+
- OpenCV 4.x
- Dlib 19.24
- NumPy
- SciPy

实现步骤

1. 环境准备

import cv2import dlibimport numpy as npfrom scipy.spatial import Delaunayimport gdownimport os

2. 模型文件下载

import gdownimport osos.chdir('/content')SHAPE_PREDICTOR_URL = 'https://drive.google.com/uc?id=17lKsYuDwBuc4O-OSKRzgwpoNnrwC2ws-'gdown.download(SHAPE_PREDICTOR_URL, 'shape_predictor_81_face_landmarks.dat', quiet=False)

3. 加载模型和图像

detector = dlib.get_frontal_face_detector()predictor = dlib. shape_predictor("/content/shape_predictor_81_face_landmarks.dat")image = cv2.imread("/content/your_image.jpg")detector = dlib.get_frontal_face_detector()predictor = dlib. shape_predictor("/content/shape_predictor_81_face_landmarks.dat")image = cv2.imread("/content/your_image.jpg")

4. 检测人脸并提取特征点

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)faces = detector(gray)landmarks = predictor(gray, faces[0])original_points = np.array([(p.x, p.y) for p in landmarks.parts()], dtype=np.float32)

将图像转换为灰度图像以便更好地检测。然后首先检测人脸并提取其 81 个人脸特征点。

5. 修改眼睛特征点

modified_points = original_points.copy()left_eye_indices = [36, 37, 38, 39, 40, 41]right_eye_indices = [42, 43, 44, 45, 46, 47]shift_amount = 10for idx in left_eye_indices:    modified_points[idx][0] -= shift_amountfor idx in right_eye_indices:    modified_points[idx][0] += shift_amount

这部分代码是实际面部作发生的地方。它会创建原始面部特征点的副本，并移动眼睛特征点以增加它们之间的距离。左眼点（索引 36-41）通过从 x 坐标中减去shift_amount向左移动，而右眼点（42-47）通过添加相同的量向右移动。这会将眼睛间距增加 2 × shift_amount。相同的逻辑可用于作其他面部特征，只需更改地标索引以针对不同的区域，并根据所需的移动方向调整 x 或 y 值。增加或减少 x 轴可水平移动要素，而更改 y 轴可垂直移动要素。

6. 使用 Delaunay 三角剖分进行面部变形

delaunay = Delaunay(original_points)triangles = delaunay.simplices

使用 Delaunay 三角剖分将面部划分为三角形，这可确保图像平滑变形。

7. 逐个扭曲三角形

pts_src = np.array([original_points[i] for i in tri], dtype=np.float32)pts_dst = np.array([modified_points[i] for i in tri], dtype=np.float32) 
matrix = cv2.getAffineTransform(pts_src, pts_dst)
triangle_mask = np.zeros((h, w), dtype=np.uint8) cv2.fillConvexPoly(triangle_mask, pts_src.astype(np.int32), 255) warped_triangle = cv2.warpAffine(image, matrix, (w, h), flags=cv2.INTER_LINEAR, borderMode=cv2.BORDER_REFLECT) warped_image[triangle_mask == 255] = warped_triangle[triangle_mask == 255]

对于每个三角形，计算仿射变换并应用它。这部分对于自然的经纱至关重要。

8. 合并并显示结果

mask = np.any(warped_image != 0, axis=-1).astype(np.uint8) * 255combined_image = cv2.bitwise_and(image, image, mask=255 - mask)combined_image += cv2.bitwise_and(warped_image, warped_image, mask=mask)
cv2_imshow(image)cv2_imshow(combined_image)cv2.imwrite("Result_eyes.jpg", combined_image)

创建原始图像和 Warp 版本的平滑合成。结果看起来不错，就好像这个人恰好有一双更宽的眼睛一样。

这项技术不仅限于眼睛，您还可以使用它来纵其他面部特征，例如嘴唇、鼻子、眉毛或下巴。您所需要的只是一组正确的地标。

我们查看一些示例图像，这些图像突出显示了各种经过处理的面部属性。

眼睛部分