利用课余时间写了一个基于的django图像处理例子，数据库是mysql，很多代码还不成熟，关于django的使用主要是在视频：2022 B站最详细django3教程(django从入门到实践)_哔哩哔哩_bilibili 上进行的。我认为这是最好的django学习视频了。
一、项目简介
1、项目包括：
（1）用户登录，注册
（2）上传npz数据集
（3）对数据集基于sklearn交叉验证或数据集分割后验证
（4）上传符合数据集标准的样本进行识别
（5）利用摄像头采集人脸信息
（6）利用dlib进行人脸识别（比较慢，有待优化）
2、例子涉及知识：
- django
- bootstrap
- dlib人脸识别
- sklearn
- 摄像头视频采集
- echarts （这个对项目没什么用，纯练习）
3、参考文档：
[1] js开启摄像头_安和同学的博客-CSDN博客_js开启摄像头
[2] Python 3 利用 Dlib 实现摄像头实时人脸识别 - coneypo - 博客园
[3] web调用摄像头拍照并上传到服务器_淋雨一直走~的博客-CSDN博客_摄像头拍照上传服务器
[4] Detecting Face Features with Python
参考了很多文档，这里未一一列出，感谢各位大佬的辛苦付出。
本文源码：https://github.com/huangzhiyu2018/OnlineAiPicture
4、项目截图：
为了总结过去的经验，列出主要操作
二、html模板嵌套
1、首先定义一个母版，在里面留出适当的block，例如：
{% load static %}
<!DOCTYPE html>
<html lang="zh-CN">
<head>
<meta charset="UTF-8">
<meta http-equiv="X-UA-Compatible" content="IE=edge">
<meta name="viewport" content="width=device-width, initial-scale=1.0">
<link rel="stylesheet" href="{% static 'plugins/bootstrap-3.4.1-dist/css/bootstrap.css' %}">
<!--额外css填入位置-->
{% block css %} {% endblock %}
<title>
{% block title %} {% endblock %}
</title>
</head>
<body>
<div class="container">
<!--内容填入位置-->
{% block contain %} {% endblock %}
</div>
<!-- jQuery文件。务必在bootstrap.min.js 之前引入 -->
<script src="{%static 'js/jquery-3.6.0.min.js' %}"></script>
<!-- 最新的 Bootstrap4 核心 JavaScript 文件 -->
<script src="{%static 'plugins/bootstrap-3.4.1-dist/js/bootstrap.js'%}"></script>
<!--额外js填入位置-->
{% block js %} {% endblock %}
</body>
</html>
2、其它模板可以引用这个母版，达到所有模板都具有相同的布局：
{% extends 'master.html' %}
{% block contain %}
写入当前模板需要的内容
{% endblock %}
3、继续继承
更有意思的是还可以上（2）基础上进一步进行嵌套，再次嵌套时需要在（2）的文档中也设定响应的block，其过程与第一次嵌套一样。
三、人脸采集
人脸采集时控制摄像头，并把摄像头采集到的图片上传到服务器，基本思路，先打开摄像头，然后拍照，最后ajax提交到后台进行保存。页面布局以及功能如下：
正在上传…重新上传取消
1、打开摄像头
前台有<video id="video" ></video>标签，利用javascript打开，这是参考的博客：https://blog.csdn.net/amdd9582/article/details/95501402
function playfunction(){
// 开启摄像
document.getElementById('play').onclick = () => {
let constraints = {
// video属性设置
video: {
width: 300,
height: 300
},
// audio属性设置，无声
audio: false
}
navigator.mediaDevices.getUserMedia(constraints)
.then(mediaStream => {
// 成功返回promise对象，接收一个mediaStream参数与video标签进行对接
document.getElementById('video').srcObject = mediaStream
document.getElementById('video').play()
mediaStreamTrack = typeof mediaStream.stop === 'function' ? mediaStream : mediaStream.getTracks()[0];
click_start_vedio=1;//记录开启视频
})
// 失败就失败了
}
}
为了能够关闭摄像头，我定义了一个全局变量：mediaStreamTrack
2、拍照
点击id为take的按钮，进行拍照，
function photofunction(){
// 拍照、canvas绘制
document.getElementById('take').onclick = () => {
if (click_start_vedio==1){
let ctx = document.getElementById("canvas").getContext('2d')
ctx.drawImage(document.getElementById("video"), 0, 0, 300, 300)
click_scrap=1;
$("#img_result").removeAttr("src");//每次拍照后页面识别结果都清空
}else{
alert("请点击开始摄像按钮");
}
}
}
3、关闭摄像头
利用全局变量mediaStreamTrack进行关闭摄像头
function closevideofunction(){
$("#close").on({
"click":function(){
if(mediaStreamTrack){
mediaStreamTrack.stop();
mediaStreamTrack=[];
console.log("stop");
click_start_vedio=0;
}else{
console.log("mediaStreamTrack is empty")
}
}
})
}
4、异步上传
需要把canvas的内容先转成字符流，再把字符流转成文件进行上传，两个函数：
function dataURItoBlob(base64Data) {
var byteString;
if (base64Data.split(',')[0].indexOf('base64') >= 0)
byteString = atob(base64Data.split(',')[1]);
else
byteString = unescape(base64Data.split(',')[1]);
var mimeString = base64Data.split(',')[0].split(':')[1].split(';')[0];
var ia = new Uint8Array(byteString.length);
for (var i = 0; i < byteString.length; i++) {
ia[i] = byteString.charCodeAt(i);
}
return new Blob([ia], {type: mimeString});
};
//将blob转换为file
function blobToFile(theBlob, fileName) {
theBlob.lastModifiedDate = new Date();
theBlob.name = fileName;
return theBlob;
};
由于后台是利用modelform进行处理的，上传的图片和姓名信息直接存入到了mysql数据库，这里异步时把相关信息都携带了，代码中为防止无视频直接上传，用标志变量来确定是否已经点击了拍照按钮。代码如下：
function uploadfunction(){
$("#upload").on({
"click":function(){
if(click_start_vedio==0){
alert("首先点击开启摄像，然后点击拍照");
return;
}
var personName=$("#person_name").val();
if (personName){
if(click_scrap==1){
click_scrap=0
canvas = document.getElementById('canvas');
//生成图片格式base64包括：jpg、png格式
var base64Data = canvas.toDataURL("image/jpeg", 1.0);
//封装blob对象
var blob = dataURItoBlob(base64Data);
var file = blobToFile(blob, personName);
//利用FormData进行传值
var form = document.getElementById("controlform");
// 用表单来初始化
var formdata = new FormData(form);
formdata.append("person_name",personName);
//必须是file字段的添加，防止汉语名称不识别，这里用英文名称
formdata.append("file",blob,"person.jpg");
$.ajax({
url: ajaxurl,
type:"post",
data:formdata,
processData: false,//用于对data参数进行序列化处理 这里必须false
contentType: false, //必须
success:function(res){
if(res.status){
var valide="图片中没有脸部信息"
if (res.valide){
valide="图片有效"
}
$("#pic_result").html("文件:"+res.path+"上传成功！<br>"+valide)
$("#img_result").attr("src","/media/"+res.path)
if (show_result_alert){//这是为了图像识别显示对话框用的
if(res.valide)
{
alert("当前人物为："+res.person+"\n 可能人物："+res.min_person)
}else{
alert(valide);
}
}
}else{
console.log(res.errors)
}
}
}
)
}else{
alert("必须点击拍照！");
}
}else{
alert("必须输入姓名")
}
},
})
}
5、采集人脸和人脸识别的模板
整个模板仍然是人脸采集和人脸识别模板的母版，里面包括了被人脸识别的两个block
{% block table %} {% endblock %} 和 {% block exjs%}{% endblock %}
文件名为：scrapture.html其完整代码如下：
{% extends 'master.html' %}
{% block css %}
<style>
video, canvas {
width: 300px;
height: 300px;
border: 5px solid #000;
border-radius: 10px;
margin-left: 5px;
}
</style>
{% endblock %}
{% block contain %}
<div class="container">
<div class="panel panel-primary">
<div class="panel-heading">
<h3 class="panel-title">采集人脸图像</h3>
</div>
<div class="panel-body" >
<div class="panel panel-default" style="margin:10px 10px">
<div class="panel-heading">
<h3 class="panel-title">采集面部</h3>
</div>
<div class="panel-body">
<div class="col-md-6">
<video id="video" ></video>
</div>
<!-- 尽量在canvas标签上设置宽高 -->
<div class="col-md-6">
<canvas id="canvas" width="300px" height="300px"></canvas>
</div>
</div>
</div>
<div class="col-md-6">
<div class="panel panel-default" >
<div class="panel-heading">
<h3 class="panel-title">控制面板</h3>
</div>
<div class="panel-body" style="margin:10px 10px">
<button id="play" class="btn btn-success" >开启摄像</button>
<button id="close" class="btn btn-danger " >关闭视频</button>
<form method="post" novalidate id="controlform" enctype="multipart/form-data">
<div class="form-group" id="input_person">
<label class="col-sm-2" for="person_name">人物姓名：</label>
<input type="text" class="col-sm-2" id="person_name" placeholder="Tom" value="第一人" >
</div>
<div class="form-group">
<input id="take" class="btn btn-success col-sm-2" value="拍照"></input>
<input id="upload" class="btn btn-info col-sm-2" value="采集"></input>
</div>
</form>
</div>
</div>
</div>
<!--加上一个处理结果显示情况-->
<div class="col-md-6" id="result_panel">
<div class="panel panel-default" style="margin:10px 10px">
<div class="panel-heading">
<h3 class="panel-title">采集结果</h3>
</div>
<div class="panel-body" style="margin:10px 10px">
<img style="height:300px" id="img_result"></img>
</div>
</div>
</div>
</div>
</div>
<div class="panel-footer" id="footer">
<p class="list-group-item-text" id="pic_result"></p>
<a href="/facerecon/list/" style="align:right">采集结果列表 </a>
</div>
</div>
{% block table %}
{% endblock %}
</div>
{% endblock %}
{% block js %}
<script type="text/javascript">
var click_start_vedio=0;
var click_scrap=0;
var ajaxurl;
var show_result_alert=0;
var mediaStreamTrack;
// 获取媒体方法（旧方法）
function closevideofunction(){
$("#close").on({
"click":function(){
if(mediaStreamTrack){
mediaStreamTrack.stop();
mediaStreamTrack=[];
console.log("stop");
click_start_vedio=0;
}else{
console.log("mediaStreamTrack is empty")
}
}
})
}
function playfunction(){
// 开启摄像
document.getElementById('play').onclick = () => {
let constraints = {
// video属性设置
video: {
width: 300,
height: 300
},
// audio属性设置，无声
audio: false
}
navigator.mediaDevices.getUserMedia(constraints)
.then(mediaStream => {
// 成功返回promise对象，接收一个mediaStream参数与video标签进行对接
document.getElementById('video').srcObject = mediaStream
document.getElementById('video').play()
mediaStreamTrack = typeof mediaStream.stop === 'function' ? mediaStream : mediaStream.getTracks()[0];
click_start_vedio=1;//记录开启视频
})
// 失败就失败了
}
}
function photofunction(){
// 拍照、canvas绘制
document.getElementById('take').onclick = () => {
if (click_start_vedio==1){
let ctx = document.getElementById("canvas").getContext('2d')
ctx.drawImage(document.getElementById("video"), 0, 0, 300, 300)
click_scrap=1;
$("#img_result").removeAttr("src");
}else{
alert("请点击开始摄像按钮");
}
}
}
function dataURItoBlob(base64Data) {
var byteString;
if (base64Data.split(',')[0].indexOf('base64') >= 0)
byteString = atob(base64Data.split(',')[1]);
else
byteString = unescape(base64Data.split(',')[1]);
var mimeString = base64Data.split(',')[0].split(':')[1].split(';')[0];
var ia = new Uint8Array(byteString.length);
for (var i = 0; i < byteString.length; i++) {
ia[i] = byteString.charCodeAt(i);
}
return new Blob([ia], {type: mimeString});
};
//将blob转换为file
function blobToFile(theBlob, fileName) {
theBlob.lastModifiedDate = new Date();
theBlob.name = fileName;
return theBlob;
};
function uploadfunction(){
$("#upload").on({
"click":function(){
if(click_start_vedio==0){
alert("首先点击开启摄像，然后点击拍照");
return;
}
var personName=$("#person_name").val();
if (personName){
if(click_scrap==1){
click_scrap=0
canvas = document.getElementById('canvas');
//生成图片格式base64包括：jpg、png格式
var base64Data = canvas.toDataURL("image/jpeg", 1.0);
//封装blob对象
var blob = dataURItoBlob(base64Data);
var file = blobToFile(blob, personName);
//利用FormData进行传值
var form = document.getElementById("controlform");
// 用表单来初始化
var formdata = new FormData(form);
formdata.append("person_name",personName);
//必须是file字段的添加，防止汉语名称不识别，这里用英文名称
formdata.append("file",blob,"person.jpg");
//没有问题
$.ajax({
url: ajaxurl,
type:"post",
data:formdata,
processData: false,//用于对data参数进行序列化处理 这里必须false
contentType: false, //必须
success:function(res){
if(res.status){
var valide="图片中没有脸部信息"
if (res.valide){
valide="图片有效"
}
$("#pic_result").html("文件:"+res.path+"上传成功！<br>"+valide)
//console.log(res.path)
$("#img_result").attr("src","/media/"+res.path)
if (show_result_alert){
if(res.valide)
{
alert("当前人物为："+res.person+"\n 可能人物："+res.min_person)
}else{
alert(valide);
}
}
}else{
console.log(res.errors)
}
}
}
)
}else{
alert("必须点击拍照！");
}
}else{
alert("必须输入姓名")
}
},
})
}
</script>
{% block exjs%}
{% endblock %}
{% endblock %}
6、人脸采集模板
人脸采集模板是继承了上面的模板，只是更改了提交按钮的post地址
{% extends 'scrapture.html' %}
{% block exjs%}
<script>
$(document).ready(function(){
playfunction();
photofunction();
uploadfunction();
initparams();
})
function initparams(){
//$("#input_person").hide()
ajaxurl="/facerecon/scrap/"
}
</script>
{% endblock%}
7、人脸采集数据模型
a) 采集人脸文件上传到后台media/persons路径，信息存入到数据库，数据库model如下：
class PersonInfor(models.Model):
"""动态上传人员信息表
Args:
models (_type_): _description_
"""
#上传的文件路径，在persons路径
file=models.FileField(verbose_name="文件",max_length=125,upload_to="persons/",default="")
#图片对应的人名
person_name=models.CharField(max_length=30,verbose_name='姓名',default="Tom")
#上传时间
create_time = models.DateField(verbose_name='上传时间')
#采集者
upload_user=models.CharField(max_length=30,verbose_name='上传者')
#是否是有效的人物图片，只有一张图片人脸的是有效的
valide_choice = ((0, "否"), (1, "是"))
isvalide=models.SmallIntegerField(choices=valide_choice,verbose_name="有效",default=0)
#保存到一个表中，去掉一个表,允许为空
rects=models.TextField(verbose_name='面部位置',blank=True)
landmarks=models.TextField(verbose_name='面部标注',blank=True)
#每个rect对应一个面部描述，由dlib_face_recognition_resnet_model_v1.dat模型获得
descriptions=models.TextField(verbose_name='面部描述',blank=True)
#显示信息用
def __str__(self):
return f"姓名：{self.person_name} 文件：{self.file}"
8、view中的人脸采集模型
首先构建一个modelform类
class PersonInforModelForm(BootrapModelForm):
"""针对上传人物图片的模型
Args:
BootrapModelForm (_type_): _description_
"""
class Meta:
model=models.PersonInfor
exclude=["upload_user","create_time","isvalide","rects","landmarks","descriptions"]
bootstrap_exclude_fileds=["file"]
def clean_file(self):
file = self.cleaned_data['file']
ext = file.name.split('.')[-1].lower()
if ext not in ["bmp","jpg","png"]:
raise forms.ValidationError("仅支持bmp,jpg,png 类型文件")
return file
9、应用bootstrap的modelform
这里的BootrapModelForm是按照参考视频的写法写的一个能够应用bootstrap的类，定义如下：
from django import forms
class Bootstrap:
bootstrap_exclude_fileds=[]
def __init__(self,*args,**kwargs):
super().__init__(*args,**kwargs)
for name,field in self.fields.items():
#不需要bootstrap的字段
if name in self.bootstrap_exclude_fileds:
continue
if field.widget.attrs:
field.widget.attrs['class']='form-control'
field.widget.attrs['placeholder']=field.label
else:
field.widget.attrs={"class":"form-control",'placeholder':field.label}
class BootrapModelForm(Bootstrap,forms.ModelForm):
pass
class BootrapForm(Bootstrap,forms.Form):
pass
10、后台处理
其次在定义好modelform类之后，可以直接读取前段异步到后台的post内容，form= PersonInforModelForm(request.POST,request.FILES)，完整的处理函数如下，代码中dlibcompute是自定义的利用dlib处理图片的模块，请参考源码：
from django.views.decorators.csrf import csrf_exempt
@csrf_exempt
def scrapy_image(request):
if request.method=="POST":
#传入信息
form= PersonInforModelForm(request.POST,request.FILES)
if form.is_valid():
form.instance.create_time=datetime.datetime.now()
#form.instance.upload_user=request.session.info.userName
info=request.session.get("info")
if info:
form.instance.upload_user=info["userName"]
else:
form.instance.upload_user="test"
#先保存，否则没有图片
form.save()
#得到图片绝对路径
absolute_file_path = os.path.join('media',form.instance.file.name)
#print(form.instance.file.name)
#print(absolute_file_path)
#得到人脸信息
rects,image=dlibcompute.find_person_rect(absolute_file_path)
#讲数据转成字符序列
s=pickle.dumps(rects)
#print(len(rects))
isValide=0
if len(rects)==1:
isValide=1
models.PersonInfor.objects.filter(file=form.instance.file.name).update(isvalide=isValide,rects=s)
return JsonResponse({"status":True,"path":form.instance.file.name,"valide":isValide})
else:
return JsonResponse({"status":False,"errors":form.errors})
return render(request,"scraperimage.html")
四、人脸识别
人脸采集的思路是：从摄像头采集图片，对图片得到图片描述信息，把描述信息与存放到数据库中的采集图片信息进行欧式距离计算，设定一个阈值，如果小于这个值就是当前人物，记录最小的距离，这是可能的人物。
1、人脸识别模板
打开、拍照、关闭摄像头都是利用上节5中的scrapture.html文件，在人脸识别模板去掉人物姓名项，利用js隐藏响应的模块即可。在识别模块下发加入已经采集的图片信息，并更换提交按钮的url，以便后台采用不同的处理方式。模板代码如下：
{% extends 'scrapture.html' %}
{% block table %}
<div class="panel panel-default" style="margin:10px 10px">
<div class="panel-heading" >
<span class="glyphicon glyphicon-th-large" aria-hidden="true"></span>人物信息
</div>
<div class="panel-body">
<table class="table table-bordered">
<thead>
<tr>
<th>ID</th>
<th姓名</th>
<th>图片</th>
<th>姓名</th>
<th>上传时间</th>
<th>是否有效</th>
</tr>
</thead>
<tbody>
{% for obj in querySet%}
<tr>
<th scope="row">{{ obj.id }}</th>
<td><img src="/media/{{obj.file}}" style="height:100px"></img></td>
<td>{{obj.person_name}}</td>
<td>{{ obj.create_time |date:"Y年m月d日"}}</td>
<td>{{ obj.get_isvalide_display }}</td>
</tr>
{% endfor %}
</tbody>
</table>
</div>
</div>
{% endblock %}
{% block exjs%}
<script>
$(document).ready(function(){
playfunction();
photofunction();
uploadfunction();
initparams();
closevideofunction();
})
function initparams(){
show_result_alert=1;
$("#input_person").hide();
$("#input_person").val("test");//用测试的名字进行
$("#result_panel").hide();
//$("#footer").hide();//隐藏，用对话框提示有效性
$("#upload").val("识别");
ajaxurl="/facerecon/recon/";
}
</script>
{% endblock%}
2、识别后台代码
后台识别时，首先查看当前上传的图片是否有人脸信息，如果有再看原来人脸采集数据表中人脸描述字段是否已经计算，如果没有计算就重新计算原采集人脸的描述信息；如果采集的人脸都已经计算描述，就比较欧氏距离。
@csrf_exempt
def face_recon(request):
"""人脸识别
Args:
request (_type_): _description_
"""
if request.method=="GET":
#只显示有效信息
querySet = models.PersonInfor.objects.filter(isvalide=1)
return render(request,"personrecon.html",{"querySet":querySet})
#提交图片后进行识别
form= PersonInforModelForm(request.POST,request.FILES)
if form.is_valid():
file = request.FILES.get("file")
#返回两个路径一个用于显示，一个用于读取
url_file_name,absolute_file_path = handle_uploaded_file(file)
#print(url_file_name,absolute_file_path)
rects,image=dlibcompute.find_person_rect(absolute_file_path)
#print(len(rects))
if len(rects)!=1:
return JsonResponse({"status":True,"path":url_file_name,"valide":0,"person":"无法识别"})
#合适的人脸数据信息，对人脸数据进行读取
baseDir=os.path.join(settings.BASE_DIR,r"picturerec\utils")
detector=dlibcompute.get_front_face_dector()
landmarks_predictor=dlibcompute.get_point_5_infor(baseDir)
face_encoder=dlibcompute.get_face_encodeing(baseDir)
#print("*"*10)
#dlibcompute.face_encodings
#先把所有在人物信息表中的数据进行计算，如果计算过了就不必计算了
compute_person_description(detector=detector,landmarks_predictor=landmarks_predictor,face_encoder=face_encoder)
#计算当前照片的的描述和标志点
descriptions,_=dlibcompute.face_dector_encodings(image,detector=detector,landmarks_predictor=landmarks_predictor,face_encoder=face_encoder)
findperson,min_person=find_person(descriptions)
#有效的提交进行图片处理
return JsonResponse({"status":True,"path":url_file_name,"valide":1,"person":findperson,"min_person":min_person})
else:
return JsonResponse({"status":False,"errors":form.errors})
3、计算原采集人脸的描述信息
def compute_person_description(detector,landmarks_predictor,face_encoder):
#默认是blank，判断用""
querySet = models.PersonInfor.objects.filter(descriptions="",isvalide=1)
#print("query sets lin 148=",len(querySet))
for temp in querySet:
#对于所有没有计算描述的图片计算描述信息，已经计算的不用
absolute_file_path = os.path.join('media', str(temp.file))
description,landmarks=dlibcompute.face_encoding_by_file(absolute_file_path,detector,landmarks_predictor,face_encoder)
if description is None:
continue
s_description=pickle.dumps(description)
s_landmarks=pickle.dumps(landmarks)
models.PersonInfor.objects.filter(id=temp.id).update(landmarks=s_landmarks,descriptions=s_description)
这里注意的是，存入采集数据库的描述信息是以二进制形式保存的numpy.ndarray，存入时利用pickle.dumps进行的。
4、识别当前人是人脸采集中的哪一位
在PersonInfor中存放有当前采集人脸图片的描述信息，这些信息是numpy.ndarray形式，是利用pickle.dumps存入，读取时，我采用的方法是，首先利用ast.literal_eval转成数组然后利用pickle.loads转成ndarray，
L1=ast.literal_eval(temp.descriptions)
np_description=pickle.loads(L1)
函数find_person是根据当前识别图片的描述与数据库中存放的描述信息进行对比，然后找到当前人是哪一个如：
def find_person(temp_description):
if temp_description is None:
print("temp_description is None")
return "temp_description is None"
if len(temp_description)==0:
print("temp_description is empty")
querySet = models.PersonInfor.objects.filter(isvalide=1,descriptions__isnull=False)#得到数据集，必须要求描述不空
thread=0.4
find_person=""
min_value_person=""
min_value=10000
for temp in querySet:
#record_description=(temp.descriptions)
L1=ast.literal_eval(temp.descriptions)
np_description=pickle.loads(L1)
if len(np_description)==0:
print(f"description is zero {temp.id}:{temp.person_name}")
continue
print(len(np_description[0]))
d=distancecompute.Euclidean_distance(np_description,temp_description)
if d<min_value:
min_value=d
#搜索
min_value_person=f"{temp.person_name}"
if d<thread:
find_person=f"{temp.person_name}"
return find_person,min_value_person
五、人脸定位与描述
1、人脸位置监测
利用dlib进行人脸定位和人脸信息的描述,利用dlib可以快速的对人脸进行定位，并根据适当的模型得到人脸上的标志点。
detector = dlib.get_frontal_face_detector()
返回人脸监测器，给监测器传入图片信息可以得到当前图片的人脸位置信息，这些信息是多个矩形信息，图片中有几张脸就有几个矩形，矩形是左上角和右下角坐标存储的。
face_locations = detector(face_image, number_of_times_to_upsample)
2、标志位的获得
根据得到人脸位置，可以利用dlib.shape_predictor产生的预测器得到人脸标志点，dlib.shape_predictor需要传入训练好的模型，这个模型有两种，一种是5个标志点，对应文件是shape_predictor_5_face_landmarks.dat，另一种是68个点，对应文件是shape_predictor_68_face_landmarks.dat，这68个点排列位置时固定的，如图
：
正在上传…重新上传取消
如果模型文件路径为shape_5_file,那么参数预测的代码如下：
pose_predictor_5_point = dlib.shape_predictor(shape_5_file)
得到预测器，传入图片和detector得到的人脸位置，就可以得到人脸的标志点坐标，这个坐标是相对于图片的，左上角为0,0，向右，下为正对应横纵坐标。
如果图片face_image所有脸位置是face_locations,下面landmarks_predictor标志位的预测器，下列代码得到所有脸（这是一张图）的标志位。
raw_landmarks = [landmarks_predictor(face_image, face_location) for face_location in face_locations]#
3、描述向量的获得
利用dlib.face_recognition_model_v1可以得到人脸描述器，需要传入模型，这里用的是dlib_face_recognition_resnet_model_v1.dat，把文件名传入后得到描述器，调用描述器的compute_face_descriptor函数可以得到图像的描述信息，这个信息是128个元素的ndarray数字，compute_face_descriptor传入参数是图像，标志位向量。
项目中dlibcompute模块中函数就是计算当前图片的所有描述信息，并以ndarray形式返回。
def face_encodings(face_image,face_locations,landmarks_predictor, face_encoder, num_jitters=1):
"""返回图像中每个人脸的 128D 描述符"""
if landmarks_predictor and face_encoder:
# 检测面部特征点
raw_landmarks = [landmarks_predictor(face_image, face_location) for face_location in face_locations]
# 使用每个检测到的特征点计算每个检测到的人脸的编码,返回numpy的列表，方便转换
return np.array([np.array(face_encoder.compute_face_descriptor(face_image, raw_landmark_set, num_jitters)) for
raw_landmark_set in raw_landmarks]),np.array(raw_landmarks)
else:
return None,None