编程语言
首页 > 编程语言> > 【AI十行代码系列】3.人脸关键点定位-MediaPipe Python

【AI十行代码系列】3.人脸关键点定位-MediaPipe Python

作者:互联网

【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):

InitFaceTracker用来初始化网络的参数,主要参数如下:

ShowResult用来可视化结果

 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

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