opencv-mediapipe人脸检测-颜值打分+摄像头实时

最新推荐文章于 2025-10-15 22:39:17 发布
原创 最新推荐文章于 2025-10-15 22:39:17 发布 · 4.7k 阅读 · 36 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#opencv #计算机视觉 #人工智能

本文介绍了如何利用Mediapipe库实现摄像头实时的人脸颜值评估，通过计算五官比例、三庭比例、达芬奇比例等指标，详细展示了关键点检测、面部特征分析和美观度计算的过程。

文章目录

颜值打分

定义可视化图像函数
导入三维人脸关键点检测模型
导入可视化函数和可视化样式
将图像模型输入，获取预测结果
BGR转RGB
将RGB图像输入模型，获取预测结果
预测人人脸个数
获取脸上关键点轮廓的坐标，并且将相应的坐标标注出来，在标注点之间绘制连线（例如：左眼左眼角的识别点标号为33号）

# 颜值打分--五眼指标
import cv2 as cv
import  mediapipe as mp
import numpy as np
from tqdm import tqdm
import time
import  matplotlib.pyplot as plt

# 定义可视化图像函数
def look_img(img):
    img_RGB=cv.cvtColor(img,cv.COLOR_BGR2RGB)
    plt.imshow(img_RGB)
    plt.show()

# 导入三维人脸关键点检测模型
mp_face_mesh=mp.solutions.face_mesh
# help(mp_face_mesh.FaceMesh)

model=mp_face_mesh.FaceMesh(
    static_image_mode=True,#TRUE:静态图片/False:摄像头实时读取
    refine_landmarks=True,#使用Attention Mesh模型
    max_num_faces=40,
    min_detection_confidence=0.5, #置信度阈值，越接近1越准
    min_tracking_confidence=0.5,#追踪阈值
)


# 导入可视化函数和可视化样式
mp_drawing=mp.solutions.drawing_utils
# mp_drawing_styles=mp.solutions.drawing_styles
draw_spec=mp_drawing.DrawingSpec(thickness=2,circle_radius=1,color=[66,77,229])

img=cv.imread("img.png")


# 将图像模型输入，获取预测结果

# BGR转RGB
img_RGB=cv.cvtColor(img,cv.COLOR_BGR2RGB)
scaler=1
h,w=img.shape[0],img.shape[1]
# 将RGB图像输入模型，获取预测结果

results=model.process(img_RGB)
# # 预测人人脸个数
# len(results.multi_face_landmarks)
#
# print(len(results.multi_face_landmarks))

if results.multi_face_landmarks:
    for face_landmarks  in results.multi_face_landmarks:
        mp_drawing.draw_landmarks(
            image=img,
            landmark_list=face_landmarks,
            connections=mp_face_mesh.FACEMESH_CONTOURS,
            landmark_drawing_spec=draw_spec,
            connection_drawing_spec=draw_spec
        )
        for idx, coord in enumerate(face_landmarks.landmark):
            cx = int(coord.x * w)
            cy = int(coord.y * h)
            img = cv.putText(img, ' FACE DELECTED', (25, 50), cv.FONT_HERSHEY_SIMPLEX, 0.1,
                             (218, 112, 214), 1, 1)
            img = cv.putText(img, str(idx), (cx, cy), cv.FONT_HERSHEY_SIMPLEX, 0.3,
                             (218, 112, 214), 1, 1)

else:
    img = cv.putText(img, 'NO FACE DELECTED', (25, 50), cv.FONT_HERSHEY_SIMPLEX, 1.25,
                     (218, 112, 214), 1, 8)
look_img(img)

cv.imwrite('face_id.jpg',img)

# 连轮廓最左侧点
FL=results.multi_face_landmarks[0].landmark[234];
FL_X,FL_Y=int(FL.x*w),int(FL.y*h);FL_Color=(234,0,255)
img=cv.circle(img,(FL_X,FL_Y),20,FL_Color,-1)
look_img(img)


# 脸上侧边缘
FT=results.multi_face_landmarks[0].landmark[10];#  10 坐标为上图中标注的点的序号
FT_X,FT_Y=int(FT.x*w),int(FT.y*h);FT_Color=(231,141,181)
img=cv.circle(img,(FT_X,FT_Y),20,FT_Color,-1)
look_img(img)


# 下侧边缘
FB=results.multi_face_landmarks[0].landmark[152];#  152 坐标为上图中标注的点的序号
FB_X,FB_Y=int(FB.x*w),int(FB.y*h);FB_Color=(231,141,181)
img=cv.circle(img,(FB_X,FB_Y),20,FB_Color,-1)
look_img(img)

# 右侧
FR=results.multi_face_landmarks[0].landmark[454];#  454 坐标为上图中标注的点的序号
FR_X,FR_Y=int(FR.x*w),int(FR.y*h);FR_Color=(0,255,0)
img=cv.circle(img,(FR_X,FR_Y),20,FR_Color,-1)
look_img(img)

# 左眼左眼角
ELL=results.multi_face_landmarks[0].landmark[33];#  33坐标为上图中标注的点的序号
ELL_X,ELL_Y=int(ELL.x*w),int(ELL.y*h);ELL_Color=(0,255,0)
img=cv.circle(img,(ELL_X,ELL_Y),20,ELL_Color,-1)
look_img(img)

#左眼右眼角
ELR=results.multi_face_landmarks[0].landmark[133];#  133坐标为上图中标注的点的序号
ELR_X,ELR_Y=int(ELR.x*w),int(ELR.y*h);ELR_Color=(0,255,0)
img=cv.circle(img,(ELR_X,ELR_Y),20,ELR_Color,-1)
look_img(img)

# 右眼左眼角362
ERL=results.multi_face_landmarks[0].landmark[362];#  133坐标为上图中标注的点的序号
ERL_X,ERL_Y=int(ERL.x*w),int(ERL.y*h);ERL_Color=(233,255,128)
img=cv.circle(img,(ERL_X,ERL_Y),20,ERL_Color,-1)
look_img(img)

# 右眼右眼角263
ERR=results.multi_face_landmarks[0].landmark[263];#  133坐标为上图中标注的点的序号
ERR_X,ERR_Y=int(ERR.x*w),int(ERR.y*h);ERR_Color=(23,255,128)
img=cv.circle(img,(ERR_X,ERR_Y),20,ERR_Color,-1)
look_img(img)


# 从左往右六个点的横坐标
Six_X=np.array([FL_X,ELL_X,ELR_X,ERL_X,ERR_X,FR_X])

# 从最左到最右的距离
Left_Right=FR_X-FL_X
# 从左向右六个点的间隔的五个距离一并划归
Five_Distance=100*np.diff(Six_X)/Left_Right

# 两眼宽度的平均值
Eye_Width_Mean=np.mean((Five_Distance[1],Five_Distance[3]))

# 五个距离分别与两眼宽度均值的差
Five_Eye_Diff=Five_Distance-Eye_Width_Mean

# 求L2范数，作为颜值的指标
Five_Eye_Metrics=np.linalg.norm(Five_Eye_Diff)

cv.line(img,(FL_X,FT_Y),(FL_X,FB_Y),FL_Color,3)
cv.line(img,(ELL_X,FT_Y),(ELL_X,FB_Y),ELL_Color,3)
cv.line(img,(ELR_X,FT_Y),(ELR_X,FB_Y),ELR_Color,3)
cv.line(img,(ERL_X,FT_Y),(ERL_X,FB_Y),ERL_Color,3)
cv.line(img,(ERR_X,FT_Y),(ERR_X,FB_Y),ERR_Color,3)
cv.line(img,(FR_X,FT_Y),(FR_X,FB_Y),FR_Color,3)
cv.line(img,(FL_X,FT_Y),(FR_X,FT_Y),FT_Color,3)
cv.line(img,(FL_X,FB_Y),(FR_X,FB_Y),FB_Color,3)

scaler=1
img = cv.putText(img, 'Five Eye Metrics{:.2f}'.format(Five_Eye_Metrics), (25, 50), cv.FONT_HERSHEY_SIMPLEX, 1,
                 (218, 112, 214), 6, 6)
img = cv.putText(img, 'Distance 1{:.2f}'.format(Five_Eye_Diff[0]), (25, 100), cv.FONT_HERSHEY_SIMPLEX, 1,
                 (218, 112, 214), 5, 5)
img = cv.putText(img, 'Distance 1{:.2f}'.format(Five_Eye_Diff[2]), (25, 150), cv.FONT_HERSHEY_SIMPLEX, 1,
                 (218, 112, 214), 4, 4)
img = cv.putText(img, 'Distance 1{:.2f}'.format(Five_Eye_Diff[4]), (25, 200), cv.FONT_HERSHEY_SIMPLEX,1,
                 (218, 112, 214), 3, 4)
look_img(img)
cv.imwrite("yanzhi.jpg",img)

在这里插入图片描述

摄像头实时检测颜值打分

最后一部分代码是调用摄像头的模板，可以直接使用
关键步骤在代码注释中有体现

import cv2 as cv
import  mediapipe as mp
import numpy as np
from tqdm import tqdm
import time
import  matplotlib.pyplot as plt

# 定义可视化图像函数
def look_img(img):
    img_RGB=cv.cvtColor(img,cv.COLOR_BGR2RGB)
    plt.imshow(img_RGB)
    plt.show()

# 导入三维人脸关键点检测模型
mp_face_mesh=mp.solutions.face_mesh
# help(mp_face_mesh.FaceMesh)

model=mp_face_mesh.FaceMesh(
    static_image_mode=False,#TRUE:静态图片/False:摄像头实时读取
    refine_landmarks=True,#使用Attention Mesh模型
    max_num_faces=5,
    min_detection_confidence=0.5, #置信度阈值，越接近1越准
    min_tracking_confidence=0.5,#追踪阈值
)


# 导入可视化函数和可视化样式
mp_drawing=mp.solutions.drawing_utils
# mp_drawing_styles=mp.solutions.drawing_styles
draw_spec=mp_drawing.DrawingSpec(thickness=2,circle_radius=1,color=[66,77,229])
landmark_drawing_spec=mp_drawing.DrawingSpec(thickness=1,circle_radius=2,color=[66,77,229])
# 轮廓可视化
connection_drawing_spec=mp_drawing.DrawingSpec(thickness=2,circle_radius=1,color=[233,155,6])



# 处理帧函数
def process_frame(img):
    start_time = time.time()
    scaler = 1
    h, w = img.shape[0], img.shape[1]
    img_RGB = cv.cvtColor(img, cv.COLOR_BGR2RGB)
    results = model.process(img_RGB)
    if results.multi_face_landmarks:
        # for face_landmarks in results.multi_face_landmarks:
            # 连轮廓最左侧点
            FL = results.multi_face_landmarks[0].landmark[234];
            FL_X, FL_Y = int(FL.x * w), int(FL.y * h);
            FL_Color = (234, 0, 255)
            img = cv.circle(img, (FL_X, FL_Y), 5, FL_Color, -1)
            look_img(img)

            # 脸上侧边缘
            FT = results.multi_face_landmarks[0].landmark[10];  # 10 坐标为上图中标注的点的序号
            FT_X, FT_Y = int(FT.x * w), int(FT.y * h);
            FT_Color = (231, 141, 181)
            img = cv.circle(img, (FT_X, FT_Y), 5, FT_Color, -1)
            look_img(img)

            # 下侧边缘
            FB = results.multi_face_landmarks[0].landmark[152];  # 152 坐标为上图中标注的点的序号
            FB_X, FB_Y = int(FB.x * w), int(FB.y * h);
            FB_Color = (231, 141, 181)
            img = cv.circle(img, (FB_X, FB_Y), 5, FB_Color, -1)
            look_img(img)

            # 右侧
            FR = results.multi_face_landmarks[0].landmark[454];  # 454 坐标为上图中标注的点的序号
            FR_X, FR_Y = int(FR.x * w), int(FR.y * h);
            FR_Color = (0, 255, 0)
            img = cv.circle(img, (FR_X, FR_Y), 5, FR_Color, -1)
            look_img(img)

            # 左眼左眼角
            ELL = results.multi_face_landmarks[0].landmark[33];  # 33坐标为上图中标注的点的序号
            ELL_X, ELL_Y = int(ELL.x * w), int(ELL.y * h);
            ELL_Color = (0, 255, 0)
            img = cv.circle(img, (ELL_X, ELL_Y), 5, ELL_Color, -1)
            look_img(img)

            # 左眼右眼角
            ELR = results.multi_face_landmarks[0].landmark[133];  # 133坐标为上图中标注的点的序号
            ELR_X, ELR_Y = int(ELR.x * w), int
最低0.47元/天 解锁文章
MediaPipe 集成人脸识别，人体姿态评估，人手检测模型
人工智能研究所的博客
01-01 1711
画图完成后，我们可以显示图片方便查看，也可以直接使用OpenCV的imwrite 函数进行结果图片的保存，最后只需要close holistic检测模型，这里在检测多人的时候出现了问题，只是检测了单人，我们后期研究。对于姿势模型的精度足够低以至于所得到的手的ROI仍然不够准确的情况，但我们运行附加的轻型手重新裁剪模型，该模型起着的作用，并且仅花费了手模型推断时间的10％左右。这里我们打印了图片检测的结果，并分别画出人脸检测模型数据，人左右手的检测数据，以及人体姿态检测数据。MediaPipe 的核心框架。
用tornado、tensorflow、opencv打造一个在线性别识别、年龄识别、颜值打分服务
03-07 1817
架构1.web服务用tornado； 2.模型训练和预测用tensorflow； 3.opencv做人脸检测Prerequisites: tensorflow0.12 opencv3.0 python2.7 训练好的模型，模型训练参考https://github.com/dpressel/rude-carnie 主代码# code: UTF-8 import tornado.ioloop imp
利用python使用baidu-api和opencv库实现人脸颜值检测打分
一个小白的日常
07-01 1812
1.调用百度人脸识别api 进入百度人脸识别，点击立即使用，登陆后点击创建应用 这里有三个id，这个是之后调用api的时候会用到 查看首页的技术文档 这里包含了如何去调用api的方法，首先安装python的baidu-api库 pip install baidu-aip 复制下面的参考代码 下面包含了人脸检测 请求参数详情 在face_fields中添加beauty，然后先本地存几张...
美丑计算器——科学评判颜值
2501_90357013的博客
01-19 1万+
允许用户通过上传自己的照片，评估面部的对称性和比例，给出一个美貌评分。该网站利用算法分析您的面部特征，提供一个客观的评分和详细的反馈。
计算机视觉（opencv）——人脸网格关键点检测
最新发布
2302_78022640的博客
10-15 1283
在人机交互、虚拟现实、增强现实、情绪识别、动作捕捉等计算机视觉领域中，人脸的精确识别与定位扮演着极其重要的角色。传统人脸检测方法通常只能检测人脸区域的矩形框，而现代深度学习技术的发展，使我们可以实现更加精细的“人脸关键点检测”和“人脸网格化”。本篇文章将以 OpenCV 和 MediaPipe 为基础，详细介绍人脸网格（Face Mesh）技术的原理与应用，并通过一段完整的 Python 代码，演示如何实时检测和绘制 478 个三维人脸关键点。
Python开发案例，opencv_python模块实现照片中人脸进行颜值预测，网友们请谨慎使用！
chinaherolts2008的博客
08-28 380
前言 利用python教程对照片中人脸进行颜值预测！ 所需工具 Python版本：3.5.4(64bit) 相关模块： opencv_python模块、sklearn模块、numpy模块、dlib模块以及一些Python自带的模块。 环境搭建 （1）安装相应版本的Python并添加到环境变量中； （2）pip安装相关模块中提到的模块。 例如： 若pip安装报错，请自行到： http://www.lfd.uci.edu/~gohlke/pythonlibs/ 下载pip安装
OpenCV实践之路——用OpenCV和Dlib进行人脸颜值预测（Python）
星沉阁
10-13 1万+
OpenCV实践之路——用OpenCV和Dlib进行人脸颜值预测本文由@星沉阁冰不语出品，转载请注明作者和出处。文章链接：http://blog.youkuaiyun.com/xingchenbingbuyu/article/details/52804013微博：http://weibo.com/xingchenbing本项目部分基于这个博客Computer Vision for Predicting Faci
基于 MediaPipe 的人脸 468 关键点检测：视频与摄像头实时实现
programmer_xu的博客
08-25 1121
本文介绍了使用MediaPipe库实现人脸468个关键点检测的方法，支持视频文件处理和摄像头实时检测。核心内容包括：1）模型初始化配置；2）关键点可视化样式设置；3）单帧处理流程（格式转换、模型推理、结果绘制）；4）视频文件处理实现；5）摄像头实时检测方案。重点解析了坐标转换、颜色空间转换和帧率计算等关键技术点，并列举了表情识别、美颜特效等应用场景。该方案可快速实现人脸关键点检测功能，便于二次开发。
opencv&mediapipe 人脸检测+摄像头实时
weixin_52465909的博客
12-28 1万+
文章目录单张人脸关键点检测摄像头实时关键点检测 单张人脸关键点检测 定义可视化图像函数 导入三维人脸关键点检测模型 导入可视化函数和可视化样式 读取图像 将图像模型输入，获取预测结果 BGR转RGB 将RGB图像输入模型，获取预测结果 预测人人脸个数 可视化人脸关键点检测效果 绘制人来脸和重点区域轮廓线，返回annotated_image 绘制人脸轮廓、眼睫毛、眼眶、嘴唇 在三维坐标中分别可视化人脸网格、轮廓、瞳孔 import cv2 as cv import mediapipe as mp from
精选资源
Python电脑摄像头实时人脸检测程序代码 基于mediapipe人脸检测
02-06
# Python电脑摄像头实时人脸检测程序 基于mediapipe人脸检测 使用 MediaPipe 库进行实时人脸检测的Python示例程序，写有详细中文注释。 ## 依赖 确保已经安装了以下依赖： - Python 3.x - OpenCV (`pip install ...
基于OpenCV的实时人脸检测与模糊处理项目+源码
09-12
内容概要：本文介绍了一个基于OpenCV的实时人脸检测与模糊处理项目，通过使用Haar级联分类器检测人脸，并对检测到的人脸区域应用高斯模糊，实现隐私保护功能。项目支持实时摄像头视频流处理，提供简单的键盘交互控制...
【十行AI代码系列3】人脸关键点定位，基于Mediapipe，包含代码和测试视频
12-28
十行代码完成人脸关键点定位 https://zhumingde.blog.youkuaiyun.com/article/details/122201229
opencv-python人脸检测实验1
08-08
总结来说，OpenCV-Python 人脸检测实验涉及到的关键技术包括 Haar 特征级联分类器、图像翻转以及多尺度检测，这些技术共同构建了一个实用的实时人脸识别系统。通过调整参数和优化环境条件，可以提高检测的准确性和...
Mediapipe人脸关键点检测
热门推荐
weixin_40062244的博客
12-14 1万+
MediaPipe是由google制作的开源的、跨平台的机器学习框架，利用该框架获取人脸关键点。
探索MediaPipe检测人脸关键点
徐福记456
06-26 9475
MediaPipe是Google开源的计算机视觉处理框架，基于TensorFlow来训练模型，支持人脸识别、人脸关键点、目标检测追踪、图像分类、人像分割、手势识别、文本分类、语音分类等。我们可以使用CPU来推理，也可以选择GPU加速推理。在滤镜特效场景，经常需要用到人脸关键点。
Mediapipe关键点实现人脸特效
weixin_40062244的博客
12-22 4423
利用mediapipe进行人脸关键点检测，利用关键点实现人脸特效功能（如添加胡子、眼镜等）
【人体关键点定位】mediapipe_人脸关键点定位（四）
桜
06-08 2992
函数式 import cv2 import mediapipe as mp import time import os import random def video_ope(file): ctime = 0 ptime = 0 Frame = 0 switch = True cap = cv2.VideoCapture(file) myface_mesh = mp.solutions.face_mesh myDraw = mp.solutions.
【深度学习实战—9】：基于MediaPipe的人脸关键点检测
王乐予的博客
05-29 4707
使用谷歌MediaPipe框架实现人脸关键点检测，获取人脸区域400多个3D关键点，并在图中标记出部分区域。
基于mediapipe的人脸关键点检测 Android
qq_44858717的博客
09-26 1174
Android mediapipe 根据特征点进行嘴唇换色
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值