### 使用 OpenCV 和 dlib 提取人脸特征值 以下是通过 Python 结合 OpenCV 和 dlib 实现人脸特征值提取的代码示例： #### 安装依赖库 在开始之前，请确保已安装所需的库 `dlib` 和 `opencv-python`。可以通过以下命令安装： ```bash pip install dlib opencv-python-headless ``` #### 示例代码 下面是一段完整的代码，用于加载图片、检测人脸并提取其特征值。 ```python import cv2 import dlib import numpy as np # 加载预训练的人脸检测器和面部关键点预测模型 detector = dlib.get_frontal_face_detector() predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat") def extract_face_features(image_path): # 读取图像 image = cv2.imread(image_path) if image is None: print("无法打开或找到图像文件") return # 将图像转换为灰度图 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 检测人脸 faces = detector(gray) features_list = [] for face in faces: # 获取面部关键点 landmarks = predictor(gray, face) # 转换为numpy数组以便后续操作 points = [(landmarks.part(i).x, landmarks.part(i).y) for i in range(68)] features_array = np.array(points) # 可视化关键点（可选） for point in points: cv2.circle(image, point, radius=2, color=(0, 255, 0), thickness=-1) features_list.append(features_array) # 显示带有标记的关键点图像 cv2.imshow("Face Features", image) cv2.waitKey(0) cv2.destroyAllWindows() return features_list if __name__ == "__main__": image_path = "example.jpg" # 替换为实际路径 extracted_features = extract_face_features(image_path) if extracted_features: print(f"成功提取 {len(extracted_features)} 张人脸的特征值") ``` 上述代码中使用了 `dlib.get_frontal_face_detector()` 来检测人脸，并利用预先训练好的形状预测器 `shape_predictor_68_face_landmarks.dat` 文件来定位人脸上的 68 个关键点[^2]。这些关键点可用于进一步分析人脸特征。 #### 关键点说明 - **dlib 的 shape_predictor**: 需要下载预训练模型文件 `shape_predictor_68_face_landmarks.dat` 并指定到程序中的路径[^3]。 - **OpenCV 图像处理**: 主要用作辅助工具，负责加载图像以及可视化结果[^4]。 --- ###