Dlib-人脸识别API说明

1. dlib.get_frontal_face_detector(PythonFunction，in Classes)

返回值是<class ‘dlib.dlib.rectangle’>，就是一个矩形

坐标为[(x1, y1) (x2, y2)]

可以通过函数的left,right,top,bottom方法分别获取对应的x1, x2, y1, y2值:

import cv2
import dlib
img = cv2.imread('my_image.jpg')
#返回一个人脸检测器
detector = dlib.get_frontal_face_detetor()
#这是从gray_img中返回人脸集合 
dets = detector(gray_img, 1)
#依次打印人脸的坐标
for i, d in enumerate(dets):
            print(type(d))
            y1 = d.top() if d.top() > 0 else 0
            y2 = d.bottom() if d.bottom() > 0 else 0
            x1 = d.left() if d.left() > 0 else 0
			x2 = d.right() if d.right() > 0 else 0

2. dlib::get_face_chip_details

人脸特征点对齐
dlib::get_face_chip_details(shape, 150, 0.25)
输入参数：shape为提取的人脸关键点，68个点
160为希望获取的对齐后的人脸大小
0.25是希望对人脸关键点区域进行padding的比例

2.1. padding的含义
dlib内部使用了51个人脸关键点进行对齐，如下图所示：

假设padding大小为0.25，padding之后的人脸关键点如下图所示：

上述两幅图像为同样大小，均为150*150，可以看到使用0.25为系数进行padding之后得到的人脸区域明显内收，得到了包含更大面部区域的对齐图像。

2.2 get_face_chip_details(shape, 150, 0.25)

函数的计算过程分为两部分：

首先对上述第二幅图所示的关键点中选取编号为10-37，43-47的关键点，也就是鼻子、左眼、右眼及上嘴唇部分的基准关键点，同时获取当前图像检测出的对应位置的关键点；
计算上述两个点集之间的相似变换矩阵，获取当前人脸图像相对于基准人脸间的旋转角度、缩放系数及应该获取的人脸区域的rect坐标。
注：相似变换及进行二维图像间的旋转、平移及缩放，在改变的过程中保持形状不变（大小方向和位置可变）的图形，也就是正方形变换完还是正方形，不会像仿射变换一样还可以变换为平行四边形。

3. extract_image_chip

函数的作用是根据计算出的相似变换的矩阵location，从原始图像img中得到变换后的图像块chip，使用interp插值方法。