1. 前言
在做人脸识别的时候，前期的数据处理过程通常会遇到一个问题，需要将各种人脸从不同尺寸的图像中截取出来，再进行人脸对齐操作：即将人脸截取出来并将倾斜的人脸处理成正常的姿态。这样可以使每一个截取的人脸中的眼睛等位置处于同一位置，会对后面的识别算法起到一定的优化作用。
比如，下面3张图片所示，人脸的位置、图像的大小各不一样。我们需要做的就是将人脸从各个图片中截取出来，再进行旋转校正，使得眼睛在同一水平位置上，最后将人脸区域的图片大小也统一调整为224x 224。
人脸对齐前照片：
人脸对齐后照片：
2. 人脸对齐基本原理与步骤
人脸对齐主要包括以下几个步骤:
1，提取出每张图片里眼睛的坐标，进行读取数据
2，找两眼间的直线距离并计算该直线与水平线之间的夹角，即倾斜角度3，根据找到的倾斜角度旋转图片
4，在旋转后的图片中找到眼睛的位置
5，根据眼睛坐标找到包含面部的框的宽度和高度，调整图片的尺寸
3. 人脸对齐代码实现
我们可以根据以上步骤去实现人脸对齐，但是过程可能较为复杂。此处我们使用更为简便的一种方法进行实现。
在imutils库中集成了一个人脸对齐的类FaceAligner，我们直接使用它进行进行人脸对齐处理，代码如下：
# coding:utf-8 #人脸对齐:利用dlib的模型可以识别出图片中的人脸，为方便后续处理,片中的人脸截取出来并将倾斜的人脸处理成正常的姿态。 #imutils库中集成了一个人脸对齐的类FaceAligner，我们直接使用它进行处理。 from imutils.face_utils import FaceAligner from imutils.face_utils import rect_to_bb import imutils import dlib import cv2 # initialize dlib 's face detector (HOG-based) and then create # the facial landmark predictor and the face aligner detector = dlib.get_frontal_face_detector() predictor = dlib.shape_predictor('shape_predictor_68_face_landmarks.dat') fa = FaceAligner(predictor, desiredFaceWidth=256) # load the input image，resize it, and convert it to grayscale image = cv2.imread('2.jpg') image = imutils.resize(image, width=800) gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # show the original input image and detect faces in the grayscale#image cv2.imshow( "Input", image) #返回人脸,(灰度图,采样次数) rects = detector(gray,2) #loop over the face detections for rect in rects : # extract the ROI of the *original* face， then align the face # using facial landmarks (x, y, w, h) = rect_to_bb(rect) faceOrig = imutils.resize(image[y:y + h, x: x + w], width = 256) faceAligned = fa.align(image, gray, rect) # display the output images cv2.imshow("Original", faceOrig) cv2.imshow("Aligned", faceAligned) cv2.waitKey(0)
可以看到，人脸对齐后可以将倾斜状态的人脸，很好的变为竖直状态的人脸，效果还是很好的。
