【新智元导读】人脸特征点检测是人脸检测过程中的一个重要环节。以往我们采用的方法是OpenCV或者Dlib，虽然Dlib优于OpenCV，但是检测出的68个点并没有覆盖额头区域。Reddit一位网友便在此基础上做了进一步研究，能够检测出81个面部特征点，使得准确度有所提高。

或许，这就是你需要的人脸特征点检测方法。

人脸特征点检测(Facial landmark detection)是人脸检测过程中的一个重要环节。是在人脸检测的基础上进行的，对人脸上的特征点例如嘴角、眼角等进行定位。

近日，Reddit一位网友po出一个帖子，表示想与社区同胞们分享自己的一点研究成果：

其主要的工作就是在人脸检测Dlib库68个特征点的基础上，增加了13个特征点(共81个) ，使得头部检测和图像操作更加精确。

现在来看一下demo：

demo视频链接：

https://www.youtube.com/watch?v=mDJrASIB1T0

81个特征点，人脸特征点检测更加精准

以往我们在做人脸特征点检测的时候，通常会用OpenCV来进行操作。

但自从人脸检测Dlib库问世，网友们纷纷表示：好用！Dlib≥OpenCV！Dlib具有更多的人脸识别模型，可以检测脸部68甚至更多的特征点。

我们来看一下Dlib的效果：

Dlib人脸特征点检测效果图

那么这68个特征点又是如何分布的呢？请看下面这张“面相图”：

人脸68个特征点分布

但无论是效果图和“面相图”，我们都可以发现在额头区域是没有分布特征点的。

于是，网友便提出了一个特征点能够覆盖额头区域的模型。

该模型是一个自定义形状预测模型，在经过训练后，可以找到任何给定图像中的81个面部特征点。

它的训练方法类似于Dlib的68个面部特征点形状预测器。只是在原有的68个特征点的基础上，在额头区域增加了13个点。这就使得头部的检测，以及用于需要沿着头部顶部的点的图像操作更加精准。

81个特征点效果图

这13个额外的特征点提取的方法，是根据该博主之前的工作完成的。

GitHub地址：

https://github.com/codeniko/eos

该博主继续使用Surrey Face Model，并记下了他认为适合他工作的13个点，并做了一些细节的修改。

当然，博主还慷慨的分享了训练代码，链接：

GitHub：

https://github.com/codeniko/shape_predictor_81_face_landmarks

参考链接：

Reddit：

https://www.reddit.com/r/MachineLearning/comments/b20b9i/p_i_trained_a_face_predictor_that_detects_fulls/

Youtube：

https://www.youtube.com/watch?v=mDJrASIB1T0