【行空板】“三庭五眼”测测你的美貌
本帖最后由 云天 于 2022-5-21 08:32 编辑想测试一下自己的颜值，但结果哭了。下面开始。
【三庭五眼】
三庭：指脸的长度比例，把脸的长度分为三个等分，从前额发际线至眉骨，从眉骨至鼻底，从鼻底至下颏，各占脸长的1/3。
五眼：指脸的宽度比例，以眼形长度为单位，把脸的宽度分成五个等分，从左侧发际至右侧发际，为五只眼形。两只眼睛之间有一只眼睛的间距，两眼外侧至侧发际各为一只眼睛的间距，各占比例的1/5。
“三庭五眼”是人的脸长与脸宽的一般标准比例，不符合此比例，就会与理想的脸型产生距离。
本演示只使用了“五眼”，重点是学习“范数”。
【范数】
通过Mediapipe获取脸上关键点轮廓的坐标，再计算这五个距离，如何最终使用一个量作为比较值，我使用“范数”。
范数主要是对矩阵和向量的一种描述，有了描述那么“大小就可以比较了”，从字面理解一种比较构成规范的数。有了统一的规范，就可以比较了。
例如：1比2小我们一目了然，可是（3,5,3）和（6,1,2）哪个大？不太好比吧
2范数比：根号（43）比根号（41）大，因此2范数对比中（3,5,3）大
无穷范数比：5比6小，因此无穷范数对比中（6,1,2）大
矩阵范数：描述矩阵引起变化的大小，AX=B，矩阵X变化了A个量级，然后成为了B。
向量范数：描述向量在空间中的大小。
更一般地可以认为范数可以描述两个量之间的距离关系。
向量范数的通用公式为L-P范数
记住该公式其他公式都是该公式的引申。
L-0范数：用来统计向量中非零元素的个数。
L-1范数：向量中所有元素的绝对值之和。可用于优化中去除没有取值的信息，又称稀疏规则算子。
L-2范数：典型应用——欧式距离。可用于优化正则化项，避免过拟合。
L-∞范数：计算向量中的最大值。
————————————————
https://www.zhihu.com/equation?tex=l_2 -范数的定义https://www.zhihu.com/equation?tex=l_2 -范数表示向量（或矩阵）的元素平方和开根号，即https://www.zhihu.com/equation?tex=%5Cleft+%5C%7C+%5Cboldsymbol%7Bx%7D+%5Cright+%5C%7C_2+%3D+%5Csqrt%7B%5Csum_%7Bi%7Dx_i%5E2%7D【图片颜值测试】python计算范数np.linalg.norm
# 颜值打分--五眼指标
import cv2 as cv
importmediapipe as mp
import numpy as np
import time
importmatplotlib.pyplot as plt
# 定义可视化图像函数
def look_img(img):
img_RGB=cv.cvtColor(img,cv.COLOR_BGR2RGB)
plt.imshow(img_RGB)
plt.show()
# 导入三维人脸关键点检测模型
mp_face_mesh=mp.solutions.face_mesh
# help(mp_face_mesh.FaceMesh)
model=mp_face_mesh.FaceMesh(
static_image_mode=True,#TRUE:静态图片/False:摄像头实时读取
max_num_faces=40,
min_detection_confidence=0.5, #置信度阈值，越接近1越准
min_tracking_confidence=0.5,#追踪阈值
)
# 导入可视化函数和可视化样式
mp_drawing=mp.solutions.drawing_utils
# mp_drawing_styles=mp.solutions.drawing_styles
draw_spec=mp_drawing.DrawingSpec(thickness=2,circle_radius=1,color=)
img=cv.imread("face.jpg")
# 将图像模型输入，获取预测结果
# BGR转RGB
img_RGB=cv.cvtColor(img,cv.COLOR_BGR2RGB)
scaler=1
h,w=img.shape,img.shape
# 将RGB图像输入模型，获取预测结果
r=10
results=model.process(img_RGB)
# # 预测人人脸个数
# 连轮廓最左侧点
FL=results.multi_face_landmarks.landmark;
FL_X,FL_Y=int(FL.x*w),int(FL.y*h);FL_Color=(234,0,255)
img=cv.circle(img,(FL_X,FL_Y),r,FL_Color,-1)
# 脸上侧边缘
FT=results.multi_face_landmarks.landmark;#10 坐标为上图中标注的点的序号
FT_X,FT_Y=int(FT.x*w),int(FT.y*h);FT_Color=(231,141,181)
img=cv.circle(img,(FT_X,FT_Y),r,FT_Color,-1)
# 下侧边缘
FB=results.multi_face_landmarks.landmark;#152 坐标为上图中标注的点的序号
FB_X,FB_Y=int(FB.x*w),int(FB.y*h);FB_Color=(231,141,181)
img=cv.circle(img,(FB_X,FB_Y),r,FB_Color,-1)
# 右侧
FR=results.multi_face_landmarks.landmark;#454 坐标为上图中标注的点的序号
FR_X,FR_Y=int(FR.x*w),int(FR.y*h);FR_Color=(0,255,0)
img=cv.circle(img,(FR_X,FR_Y),r,FR_Color,-1)
# 左眼左眼角
ELL=results.multi_face_landmarks.landmark;#33坐标为上图中标注的点的序号
ELL_X,ELL_Y=int(ELL.x*w),int(ELL.y*h);ELL_Color=(0,255,0)
img=cv.circle(img,(ELL_X,ELL_Y),r,ELL_Color,-1)
#左眼右眼角
ELR=results.multi_face_landmarks.landmark;#133坐标为上图中标注的点的序号
ELR_X,ELR_Y=int(ELR.x*w),int(ELR.y*h);ELR_Color=(0,255,0)
img=cv.circle(img,(ELR_X,ELR_Y),r,ELR_Color,-1)
# 右眼左眼角362
ERL=results.multi_face_landmarks.landmark;#133坐标为上图中标注的点的序号
ERL_X,ERL_Y=int(ERL.x*w),int(ERL.y*h);ERL_Color=(233,255,128)
img=cv.circle(img,(ERL_X,ERL_Y),r,ERL_Color,-1)
# 右眼右眼角263
ERR=results.multi_face_landmarks.landmark;#133坐标为上图中标注的点的序号
ERR_X,ERR_Y=int(ERR.x*w),int(ERR.y*h);ERR_Color=(23,255,128)
img=cv.circle(img,(ERR_X,ERR_Y),r,ERR_Color,-1)
# 从左往右六个点的横坐标
Six_X=np.array()
# 从最左到最右的距离
Left_Right=FR_X-FL_X
# 从左向右六个点的间隔的五个距离一并划归
Five_Distance=100*np.diff(Six_X)/Left_Right
# 两眼宽度的平均值
Eye_Width_Mean=np.mean((Five_Distance,Five_Distance))
# 五个距离分别与两眼宽度均值的差
Five_Eye_Diff=Five_Distance-Eye_Width_Mean
# 求L2范数，作为颜值的指标
Five_Eye_Metrics=np.linalg.norm(Five_Eye_Diff)
cv.line(img,(FL_X,FT_Y),(FL_X,FB_Y),FL_Color,3)
cv.line(img,(ELL_X,FT_Y),(ELL_X,FB_Y),ELL_Color,3)
cv.line(img,(ELR_X,FT_Y),(ELR_X,FB_Y),ELR_Color,3)
cv.line(img,(ERL_X,FT_Y),(ERL_X,FB_Y),ERL_Color,3)
cv.line(img,(ERR_X,FT_Y),(ERR_X,FB_Y),ERR_Color,3)
cv.line(img,(FR_X,FT_Y),(FR_X,FB_Y),FR_Color,3)
cv.line(img,(FL_X,FT_Y),(FR_X,FT_Y),FT_Color,3)
cv.line(img,(FL_X,FB_Y),(FR_X,FB_Y),FB_Color,3)
scaler=1
img = cv.putText(img, 'Five Eye Metrics{:.2f}'.format(Five_Eye_Metrics), (25, 50), cv.FONT_HERSHEY_SIMPLEX, 1,(218, 112, 214), 4, 6)
#img = cv.putText(img, 'Distance 1{:.2f}'.format(Five_Eye_Diff), (25, 100), cv.FONT_HERSHEY_SIMPLEX, 1,(218, 112, 214), 5, 5)
#img = cv.putText(img, 'Distance 1{:.2f}'.format(Five_Eye_Diff), (25, 150), cv.FONT_HERSHEY_SIMPLEX, 1,(218, 112, 214), 4, 4)
#img = cv.putText(img, 'Distance 1{:.2f}'.format(Five_Eye_Diff), (25, 200), cv.FONT_HERSHEY_SIMPLEX,1,(218, 112, 214), 3, 4)
look_img(img)
cv.imwrite("yanzhi.jpg",img)
【行空板】
【实时摄像头】
import cv2 as cv
importmediapipe as mp
import numpy as np
import time
importmatplotlib.pyplot as plt
# 定义可视化图像函数
def look_img(img):
img_RGB=cv.cvtColor(img,cv.COLOR_BGR2RGB)
plt.imshow(img_RGB)
plt.show()
# 导入三维人脸关键点检测模型
mp_face_mesh=mp.solutions.face_mesh
# help(mp_face_mesh.FaceMesh)
model=mp_face_mesh.FaceMesh(
static_image_mode=False,#TRUE:静态图片/False:摄像头实时读取
max_num_faces=5,
min_detection_confidence=0.5, #置信度阈值，越接近1越准
min_tracking_confidence=0.5,#追踪阈值
)
# 导入可视化函数和可视化样式
mp_drawing=mp.solutions.drawing_utils
# mp_drawing_styles=mp.solutions.drawing_styles
draw_spec=mp_drawing.DrawingSpec(thickness=2,circle_radius=1,color=)
landmark_drawing_spec=mp_drawing.DrawingSpec(thickness=1,circle_radius=2,color=)
# 轮廓可视化
connection_drawing_spec=mp_drawing.DrawingSpec(thickness=2,circle_radius=1,color=)
# 处理帧函数
def process_frame(img):
start_time = time.time()
scaler = 1
h, w = img.shape, img.shape
img_RGB = cv.cvtColor(img, cv.COLOR_BGR2RGB)
results = model.process(img_RGB)
if results.multi_face_landmarks:
# for face_landmarks in results.multi_face_landmarks:
# 连轮廓最左侧点
FL = results.multi_face_landmarks.landmark;
FL_X, FL_Y = int(FL.x * w), int(FL.y * h);
FL_Color = (234, 0, 255)
img = cv.circle(img, (FL_X, FL_Y), 5, FL_Color, -1)
# 左眼左眼角
ELL = results.multi_face_landmarks.landmark;# 33坐标为上图中标注的点的序号
ELL_X, ELL_Y = int(ELL.x * w), int(ELL.y * h);
ELL_Color = (0, 255, 0)
img = cv.circle(img, (ELL_X, ELL_Y), 5, ELL_Color, -1)
# 左眼右眼角
ELR = results.multi_face_landmarks.landmark;# 133坐标为上图中标注的点的序号
ELR_X, ELR_Y = int(ELR.x * w), int(ELR.y * h);
ELR_Color = (0, 255, 0)
img = cv.circle(img, (ELR_X, ELR_Y), 5, ELR_Color, -1)
# 右眼左眼角362
ERL = results.multi_face_landmarks.landmark;# 133坐标为上图中标注的点的序号
ERL_X, ERL_Y = int(ERL.x * w), int(ERL.y * h);
ERL_Color = (233, 255, 128)
img = cv.circle(img, (ERL_X, ERL_Y), 5, ERL_Color, -1)
# 右眼右眼角263
ERR = results.multi_face_landmarks.landmark;# 133坐标为上图中标注的点的序号
ERR_X, ERR_Y = int(ERR.x * w), int(ERR.y * h);
ERR_Color = (23, 255, 128)
img = cv.circle(img, (ERR_X, ERR_Y), 5, ERR_Color, -1)
# 轮廓最右侧
FR = results.multi_face_landmarks.landmark;# 454 坐标为上图中标注的点的序号
FR_X, FR_Y = int(FR.x * w), int(FR.y * h);
FR_Color = (0, 255, 0)
img = cv.circle(img, (FR_X, FR_Y), 5, FR_Color, -1)
# 脸上侧边缘
FT = results.multi_face_landmarks.landmark;# 10 坐标为上图中标注的点的序号
FT_X, FT_Y = int(FT.x * w), int(FT.y * h);
FT_Color = (231, 141, 181)
img = cv.circle(img, (FT_X, FT_Y), 5, FT_Color, -1)
# 脸下侧边缘
FB = results.multi_face_landmarks.landmark;# 152 坐标为上图中标注的点的序号
FB_X, FB_Y = int(FB.x * w), int(FB.y * h);
FB_Color = (231, 141, 181)
img = cv.circle(img, (FB_X, FB_Y), 5, FB_Color, -1)
# 从左往右六个点的横坐标
Six_X = np.array()
# 从最左到最右的距离
Left_Right = FR_X - FL_X
# 从左向右六个点的间隔的五个距离一并划归
Five_Distance = 100 * np.diff(Six_X) / Left_Right
# 两眼宽度的平均值
Eye_Width_Mean = np.mean((Five_Distance, Five_Distance))
# 五个距离分别与两眼宽度均值的差
Five_Eye_Diff = Five_Distance - Eye_Width_Mean
# 求L2范数，作为颜值的指标
Five_Eye_Metrics = np.linalg.norm(Five_Eye_Diff)
cv.line(img, (FL_X, FT_Y), (FL_X, FB_Y), FL_Color, 3)
cv.line(img, (ELL_X, FT_Y), (ELL_X, FB_Y), ELL_Color, 3)
cv.line(img, (ELR_X, FT_Y), (ELR_X, FB_Y), ELR_Color, 3)
cv.line(img, (ERL_X, FT_Y), (ERL_X, FB_Y), ERL_Color, 3)
cv.line(img, (ERR_X, FT_Y), (ERR_X, FB_Y), ERR_Color, 3)
cv.line(img, (FR_X, FT_Y), (FR_X, FB_Y), FR_Color, 3)
cv.line(img, (FL_X, FT_Y), (FR_X, FT_Y), FT_Color, 3)
cv.line(img, (FL_X, FB_Y), (FR_X, FB_Y), FB_Color, 3)
scaler = 1
#五眼指标
img = cv.putText(img, 'Five Eye Metrics{:.2f}'.format(Five_Eye_Metrics), (25, 50), cv.FONT_HERSHEY_SIMPLEX,
1,
(218, 112, 214), 2, 6)
img = cv.putText(img, 'Distance 1{:.2f}'.format(Five_Eye_Diff), (25, 100), cv.FONT_HERSHEY_SIMPLEX, 1,
(218, 112, 214), 2, 5)
img = cv.putText(img, 'Distance 1{:.2f}'.format(Five_Eye_Diff), (25, 150), cv.FONT_HERSHEY_SIMPLEX, 1,
(218, 112, 214), 2, 4)
img = cv.putText(img, 'Distance 1{:.2f}'.format(Five_Eye_Diff), (25, 200), cv.FONT_HERSHEY_SIMPLEX, 1,
(218, 112, 214), 2, 4)
else:
img = cv.putText(img, 'NO FACE DELECTED', (25, 50), cv.FONT_HERSHEY_SIMPLEX, 1.25,
(218, 112, 214), 1, 8)
# 记录该帧处理完毕的时间
end_time = time.time()
# 计算每秒处理图像的帧数FPS
FPS = 1 / (end_time - start_time)
scaler = 1
img = cv.putText(img, 'FPS' + str(int(FPS)), (25 * scaler, 300 * scaler), cv.FONT_HERSHEY_SIMPLEX,
1.25 * scaler, (0, 0, 255), 1, 8)
return img
# 调用摄像头
cap=cv.VideoCapture(0)
cap.set(cv.CAP_PROP_FRAME_WIDTH, 320)
cap.set(cv.CAP_PROP_FRAME_HEIGHT, 240)
cap.set(cv.CAP_PROP_BUFFERSIZE, 1)
cv.namedWindow('my_window',cv.WND_PROP_FULLSCREEN) #Set the windows to be full screen.
cv.setWindowProperty('my_window', cv.WND_PROP_FULLSCREEN, cv.WINDOW_FULLSCREEN) #Set the windows to be full screen.
cap.open(0)
# 无限循环，直到break被触发
while cap.isOpened():
success,frame=cap.read()
# if not success:
# print('ERROR')
# break
frame=process_frame(frame)
#展示处理后的三通道图像
cv.imshow('my_window',frame)
if cv.waitKey(1) &0xff==ord('q'):
break
cap.release()
cv.destroyAllWindows()
【演示视频】
https://www.bilibili.com/video/BV1dF411L7RH?share_source=copy_web
哈哈哈测出来怎么个水平 给医美提供了数据量化标准
页:
[1]