网站开发合同售后服务培训机构专业

此工作为本人近期做人脸情绪识别，CBAM模块前是否能加人脸关键点检测而做的尝试。由于创新点不是在于检测点的标注，而是CBAM的改进，因此，只是借用了现成库Dilb与cv2进行。

首先，下载人脸关键点预测模型:Index of /files,文件：shape_predictor_68_face_landmarks.dat

逻辑如下:

   使用cv2库进行图像读取--->

   将读取的图像转为灰度图--->

   判断该图是否存在face--->否--->return

   将读取的图像输入预测模型--->

   进行关键点预测--->（存储关键点位置）

   在原图上进行关键点标识--->

   保存预测后的图。

效果图如下：（使用fer2013数据集）

                                                                         

Python代码如下：

import os
import cv2
import dlib
import numpy as np# init
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor("./shape_predictor_68_face_landmarks.dat")def process_image(image_path, output_dir="output", point_radius=0.1):os.makedirs(output_dir, exist_ok=True)# cv2 read imageimage = cv2.imread(image_path)# image to graygray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)faces = detector(gray, 1)if len(faces) == 0:print(f"no face!：{image_path}")return None# get pointlandmarks = predictor(gray, faces[0])landmarks = np.array([[p.x, p.y] for p in landmarks.parts()])# draw key point for facefor (x, y) in landmarks:cv2.circle(image, (x, y), radius=point_radius, color=(0, 255, 0), thickness=-1)output_path = os.path.join(output_dir, f"processed_{os.path.basename(image_path)}")cv2.imwrite(output_path, image)print(f"Saved：{output_path}")return landmarksif __name__=="__main__":landmarks = process_image(image_path="./00001.png",output_dir="./processed_00001",point_radius=1  # 关键点半径 只能为整型)