当前位置：首页 > news >正文

进阶：基于 dlib 的 68 点人脸关键点检测实现

news 2025/9/26 12:30:51

在上一篇文章中，我们介绍了如何使用 dlib 和 OpenCV 进行基础的人脸检测。本文将在此基础上，进一步讲解如何检测人脸的 68 个关键点，这些关键点涵盖了眼睛、眉毛、鼻子、嘴巴和下颌等面部特征，是实现表情分析、人脸对齐、美颜特效等高级功能的基础。

一、人脸关键点检测原理

dlib 的 68 点人脸关键点检测基于以下技术组合：

先进行人脸检测：使用上一篇介绍的 HOG 检测器定位人脸区域
关键点预测模型：通过预训练的shape_predictor模型，在检测到的人脸区域内预测 68 个特征点坐标
特征点分布：68 个点按面部区域分组：
- 0-16：下颌线
- 17-21：左眉毛
- 22-26：右眉毛
- 27-30：鼻子桥
- 31-35：鼻尖
- 36-41：左眼
- 42-47：右眼
- 48-67：嘴巴

这种结构化的特征点分布，使得我们可以精确分析面部各个器官的位置和形态。

二、准备工作：获取关键点预测模型

与基础人脸检测不同，关键点检测需要额外的模型文件：

下载模型：从dlib 官方模型库下载shape_predictor_68_face_landmarks.dat.bz2

主页会提供文件

解压文件：使用解压工具提取出shape_predictor_68_face_landmarks.dat
放置位置：将模型文件放在与代码相同的目录下，或在代码中使用绝对路径引用

提示：如果下载速度慢，可以搜索国内镜像站点或通过 CSDN 等平台获取该模型文件

三、完整代码实现与解析

1. 完整代码

import cv2
import dlib
import numpy as np  # 新增：用于处理关键点坐标# 1. 读取图像
img = cv2.imread("zjl2.png")
if img is None:print("Error: 无法读取图像，请检查路径是否正确！")exit()# 2. 初始化人脸检测器
detector = dlib.get_frontal_face_detector()# 3. 检测人脸
faces = detector(img, 0)  # 0表示不上采样# 4. 加载关键点预测模型
# 注意：确保模型文件路径正确
predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")# 5. 遍历每个人脸，检测并绘制关键点
for face in faces:# 5.1 预测当前人脸的关键点shape = predictor(img, face)  # 输入：图像和人脸框# 5.2 将关键点转换为numpy数组（便于后续处理）# shape.parts()返回所有关键点对象，每个对象有x和y属性landmarks = np.array([[p.x, p.y] for p in shape.parts()])# 5.3 绘制每个关键点for idx, point in enumerate(landmarks):# 获取当前关键点坐标pos = (point[0], point[1])# 绘制实心圆标记关键点cv2.circle(img, pos, radius=2, color=(0, 255, 0), thickness=-1)# 标记关键点索引（便于理解各点对应的面部位置）cv2.putText(img, str(idx), pos, cv2.FONT_HERSHEY_SIMPLEX, fontScale=0.4,  # 字体大小color=(255, 255, 255),  # 白色文字thickness=1, lineType=cv2.LINE_AA)  # 抗锯齿线条# 6. 显示结果
cv2.imshow("68 Face Landmarks", img)
cv2.waitKey(0)  # 等待按键输入
cv2.destroyAllWindows()  # 释放窗口资源

运行后的图像

2. 关键代码解析

（1）模型加载

predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")

这行代码是关键点检测的核心，shape_predictor类会加载预训练模型。如果运行时出现 "无法找到模型文件" 的错误，请检查：

模型文件名是否正确（注意不要遗漏.dat后缀）
模型文件是否与代码在同一目录，或路径是否设置正确

（2）关键点预测

shape = predictor(img, face)

predictor对象的调用需要两个参数：

原始图像（img）
已检测到的人脸框（face）

返回的shape对象包含了 68 个关键点的信息，通过shape.parts()可以获取所有关键点的列表。

（3）坐标转换与绘制

landmarks = np.array([[p.x, p.y] for p in shape.parts()])

将 dlib 的关键点对象转换为 NumPy 数组，便于后续的坐标访问和处理。每个关键点的坐标存储形式为[x, y]。

绘制部分使用了两个 OpenCV 函数：

cv2.circle()：绘制实心圆标记关键点位置
cv2.putText()：标记每个关键点的索引（0-67），帮助我们理解各点对应的面部区域

四、运行结果与常见问题

1. 预期效果

运行代码后，会显示一张标记了 68 个绿色关键点的图像，每个点都有对应的索引编号。通过这些编号，你可以清晰看到：

0-16 号点勾勒出下颌轮廓
36-47 号点分别标记左右眼的轮廓
48-67 号点标记了嘴巴的形状

2. 常见问题解决

问题描述	可能原因	解决方案
报错 "Can't open shape_predictor_68_face_landmarks.dat"	模型文件路径错误或文件不存在	1. 检查文件路径是否正确；2. 确认文件已正确解压；3. 使用绝对路径如`"C:/models/shape_predictor_68_face_landmarks.dat"`
部分人脸没有检测到关键点	人脸检测失败或人脸质量差	1. 调整上采样参数（如`detector(img, 1)`）；2. 使用更清晰的正面人脸图像
关键点标记混乱	图像分辨率过低或人脸倾斜严重	1. 使用高清图像；2. 尽量使用正面、姿态端正的人脸图像