【TLAIP系列简介】Ten-Lines-AI-Projects

         现阶段有非常多优秀的开源的AI工程，为了有更好的可扩展性，接口往往设计得十分复杂，这需要投入一定的时间和精力来处理，对于不熟悉或者刚入门的小伙伴，这可能需要花很久。本系列设计的出发点也很纯粹，进一步降低小伙伴们挑选和使用轮子的时间，让更多小伙伴能更快地验证算法效果，算法满足效果了再扒开看看，不满意直接看下一个。有任何问题和建议欢迎随时评论，目前系列里的十行代码会按照下列方式进行：

import  关键py
1.定义好输入
2.网络初始化配置
3.开始跑并输出结果
4.可视化结果

        包含空格和一些必要的说明，估计正好十行。哈哈哈哈（不能再少了，再少我的强迫症就不能忍受了）。

        如果遇到什么很牛逼的AI工程或者自己不想跑的但是一眼看上去效果很好的工程，欢迎留言交流哈，有空可以一并整理到这个工程，一键可运行，无繁杂使用过程。

---

【正文】

        本文的主角依旧是谷歌大名鼎鼎的MediaPipe，相比于上一篇人体，人脸关键点定位的应用场景要多很多，除了可以直观地定位到人脸各部位外，在换脸、AR特效，甚至银行人脸认证等各个方面均有大量的应用。人脸相关的算法是目前已知算法中已落地场景最多的，同样，这个仓库入门也非常合适。惯例先放结果（完整仓库代码和测试视频、图片请直接拖到最后）：

基于这套算法可以完成很多AR特效（这就需要美术资源了，图为谷歌官网示意图）

十行关键代码

正好十行，一行都不多，可以发现这个系列的这十行代码基本大同小异，蛤蛤。

from utils.face_mesh_mediapipe import InputData, InitFaceTracker, ShowResult

# 初始化输入源, file支持数字（相机）以及视频文件路径，图片路径或文件夹路径
input_data = InputData("test/face_tracking.mp4")  # input_data = InputData("test/imgs")
# 初始化人脸关键点追踪tracker
pose_track = InitFaceTracker(use_static_mode=input_data.use_img_list, faces_num=2)
# 获取图像以及结果的generator
run_pose_result = pose_track.run_face_tracking(input_data.get_next_img())
# 显示结果， ESC退出，图片模式按任意键继续
ShowResult(input_data.wait_key).show_result(run_pose_result)

下列标红的是和前几篇文章不太一样的配置。

InputData用来处理各种输入，目前兼容下列各种情况的输入（是不是很良心）：

• 系统相机，输入相机编号即可，例如 InputData(file=0)
• 一个视频文件，输入视频路径即可，例如 InputData(file="test/hand_tracking.mp4")
• 一张图片，输入图片路径即可，例如 InputData(file="test/imgs/0.jpg")
• 一个包含很多图像的目录，输入目录路径即可，例如 InputData(file="test/imgs")

InitFaceTracker用来初始化网络的参数，主要参数如下：

• use_static_mode 图片模型还是视频模式，如果是图片，会先运行检测算法，否则直接追踪
• faces_num 用来控制人脸检测的数量
• detect_conf 检测网络的置信度（默认0.5就行，一般不用改）
• track_conf 追踪网络的置信度（默认0.5就行，一般不用改）

ShowResult用来可视化结果

• waitkey_mode 默认1，会刷新显示视频；输入0的话会阻塞图像显示，按下任意键继续

 环境配置和使用说明

配置conda（可选）

conda create -n mediapipe python=3.6
conda activate mediapipe

安装必要的依赖包

pip install opencv-python
pip install mediapipe==0.8.3

配置好环境后，直接运行 “运行这个.py" 即可 

 

功能代码剖析

        Mediepipe封装地非常好了，和上一篇手部追踪的代码基本一致（可以直接跳到最后下载源码及测试视频），之前讲过的一些代码就不重复阐述了，主要讲下关键的一些配置。

网络初始化模块InitFaceTracker

        其他配置都和手部追踪一致，faces_num用来控制图片中检测人脸的上限，可以参照下这块的代码：

class InitFaceTracker:
    def __init__(self, use_static_mode=False, detect_conf=0.5, track_conf=0.5, faces_num=2):
        self.use_static_mode = use_static_mode
        self.detect_conf = detect_conf
        self.track_conf = track_conf
        self.faces_num = faces_num
        self.face = None
        self.init_network()

    def init_network(self):
        self.face = mp.solutions.face_mesh.FaceMesh(
            static_image_mode=self.use_static_mode,
            max_num_faces=self.faces_num,
            min_detection_confidence=0.5,
            min_tracking_confidence=0.5)
        print("init hand tracking down")

    def run_face_tracking(self, get_nex_img):
        while True:
            img_origin = next(get_nex_img)
            if img_origin is None:
                yield [None, None]
                break
            img = cv2.cvtColor(img_origin, cv2.COLOR_BGR2RGB)
            yield [img_origin, self.face.process(img)]

实际运行结果及简单点评

        配置下输入InputData("test/face_tracking.mp4")，直接可以看到效果：

        人脸mesh的完成度真的挺高，在相当多的开源人脸算法中算是比较好的了，实际工程落地中加一些必要的滤波，效果应该会很不错。

        复用下手部追踪里的视频看看，关键点还是挺清晰和稳定的。

 拓展阅读

如果看了效果想进一步尝试，可以仔细研究下面两个链接

• MediaPipe https://github.com/google/mediapipe
• 官方说明文档 Face Mesh - mediapipe

写在最后

 往期TLAIP列表：

【AI十行代码系列】1.手势关键点追踪-MediaPipe Python_朱铭德的博客-CSDN博客

【AI十行代码系列】2.人体关键点定位-MediaPipe Python_朱铭德的博客-CSDN博客

         AI十行代码仓库地址（最重要的→）链接 ，后续功能也会在这里更新，欢迎提建议或需求，哈哈，本文相关所有代码和资源也可以在 这里下载。

        如果文章对你稍微有些帮助的话，麻烦来个三连（疯狂暗示）。

​

标签：MediaPipe,img,AI,self,十行,face,人脸,InputData
来源： https://blog.csdn.net/zmdsjtu/article/details/122201229