AKA-BAO的博客

用imageio库合成gif。用PIL 提取gif的每一帧。

xml在github上有结果不知道什么情况，不如其他的识别器

主要部分样例展示：结果展示：

知道怎么用dlib就行了，再用cv2进行特征点标注import cv2import dlibimport mmcvimport numpy as npimport osimport imutils#https://jishuin.proginn.com/p/763bfbd63e88color_blue = (239,207,137)color_cyan = (255,200,0)color_black = (0, 0, 0)img= cv2.imread('test_pic/0

思想就是找出68个特征点，根据特征点的标注位置，把最外层的一圈给圈起来，面具可以自己改颜色。import cv2import dlibimport numpy as npimport osimport imutilscolor_black = (0, 0, 0)#面具颜色，这里是全黑img= cv2.imread('test_pic/00009.jpg')img = imutils.resize(img, width = 500)#改变大小img1= img.copy()#为了后面显

搞清楚路径，创建图片帧对应的文件夹。对应上一个代码视频切割图片。单张图片进行人脸切割很简单，用dlib识别到那个矩形框，就有了矩形的位置信息，然后在原图上进行切割。保姆级教程。import dlib # 人脸识别的库dlibimport numpy as np # 数据处理的库numpyimport cv2 # 图像处理的库OpenCvimport osfrom PIL import Imageimport multiprocessing as mpfrom joblib import

有了图片，有了josn文件，剩下来的就是和一堆路径和名字做斗争了。主要是方便自己查看写了啥。有具体场景限制。见者勿扰。

mediapipe检测的是468个特征点，实现寻找人脸的轮廓部分

目的：获取指定文件夹里的图片的68个dlib的landmarksimport dlibimport cv2from tqdm import tqdmimport os# Load the detector#加载探测器detector = dlib.get_frontal_face_detector()# Load the predictor#加载预测器predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.

主要用到cv2。加载了一堆路径，视频文件夹分别存储各自的图片帧。并行运算，使用了multiprocessing。搞懂输入输出就行。学会创建对应的文件夹，也就是一行代码的事。import osfrom os.path import joinimport multiprocessing as mpfrom joblib import Parallel, delayedimport cv2#提取视频的图片帧def extract_frames(data_path, output_path,

facenet_pytorch库已经集合了MTCNN，无需再下载原版，更多功能，兼容性也还行。还可以使用gpu，很快的

使用facenet_pytorch已经封装好了的库环境：

使用dlib进行人脸检测、人脸切割。

使用insightface进行人脸检测、人脸切割、人脸矩形框标注。

主要用谷歌的mediapipe