课设攻略--人脸特征点检测与图像风格迁移fast-style-transfer-master

1.1必做题要求--人脸特征点检测

1：对实时的视频进行人脸检测功能、定位和标准。著名的深度学习库opencv和dlib均可检测出图像中的人脸。dlib更提供算法，从标注人脸特征点的数据集中训练模型，高效检测出人脸特征点，用于美颜、人脸位置摆正(人脸识别的前期步骤)、面部表情识别。实验室提供face_landmark_detection.py程序和68/194个人脸特征点检测模型，实现静止图像的人脸检测与标注。

2：在此基础上，加入dlib和opencv的目标跟踪算法，于持续视频播放中，每秒中的第1帧图像执行dlib人脸特征点检测，后续图像跟踪这些特征点。而非往届的所有帧图像均执行人脸特征点检测。

3：添加基于光流计算的目标跟踪技术，可以获得英伟达显卡的硬件加速。dlib.correlation_tracker()函数、 cv2.calcOpticalFlowFarneback()函数、 cv2.calcOpticalFlowPyrLK()函数

1.2代码实现

import dlib

import cv2

import numpy as np

import time

# 加载人脸特征点检测器

predictor_path = "shape_predictor_68_face_landmarks.dat"

detector = dlib.get_frontal_face_detector()

predictor = dlib.shape_predictor(predictor_path)

# 打开摄像头

cam = cv2.VideoCapture(0)

cam.set(3, 1280)  # 设置摄像头宽度

cam.set(4, 720)  # 设置摄像头高度

# 设置绘图参数

color_white = (255, 255, 255)  # 绘图颜色

line_width = 3  # 绘图线宽

# 设置光流法参数

lk_params = dict(winSize=(15, 15),

                 maxLevel=2,

                 criteria=(cv2.TERM_CRITERIA_EPS | cv2.TERM_CRITERIA_COUNT, 10, 0.03))

# 初始化跟踪器列表和位置列表

tracker_list = []

pos_list = []

# 设置帧率和计数器

frame_rate = 30

counter = 0

# 获取计时器频率

tick_frequency = cv2.getTickFrequency()

# 开始循环

while True:

    start_tick = cv2.getTickCount()  # 获取当前计时器的值

    ret_val, img = cam.read()  # 读取一帧图像

    if img is None:  # 判断输入图像是否为空

        continue  # 如果为空，跳过本次循环

    if counter % frame_rate == 0:  # 每隔一定时间检测一次人脸

        rgb_image = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)  # 转换颜色空间

        dets = detector(rgb_image)  # 检测人脸位置

        tracker_list = []  # 清空跟踪器列表

        for det in dets:  # 对于每个检测到的人脸

            tracker = dlib.correlation_tracker()  # 创建跟踪器

            tracker.start_track(rgb_image, det)  # 开始跟踪

            tracker_list.append(tracker)  # 将跟踪器添加到列表中

            cv2.rectangle(img, (det.left(), det.top()), (det.right(), det.bottom()), color_white, line_width)  # 绘制人脸矩形框