#导入工具包

    
 from collections import OrderedDict
    
 import numpy as np
    
 import argparse
    
 import dlib
    
 import cv2
    
  
    
 #https://ibug.doc.ic.ac.uk/resources/facial-point-annotations/
    
 #http://dlib.net/files/
    
  
    
 # 参数
    
 ap = argparse.ArgumentParser()
    
 ap.add_argument("-p", "--shape-predictor", required=True,
    
 	help="path to facial landmark predictor")
    
 ap.add_argument("-i", "--image", required=True,
    
 	help="path to input image")
    
 args = vars(ap.parse_args())
    
 '''这两个字典包含了不同面部部位的关键点索引范围，用于标识人脸的不同部分，例如嘴巴、眼睛、鼻子等。'''
    
 FACIAL_LANDMARKS_68_IDXS = OrderedDict([
    
 	("mouth", (48, 68)),
    
 	("right_eyebrow", (17, 22)),
    
 	("left_eyebrow", (22, 27)),
    
 	("right_eye", (36, 42)),
    
 	("left_eye", (42, 48)),
    
 	("nose", (27, 36)),
    
 	("jaw", (0, 17))
    
 ])
    
  
    
  
    
 FACIAL_LANDMARKS_5_IDXS = OrderedDict([
    
 	("right_eye", (2, 3)),
    
 	("left_eye", (0, 1)),
    
 	("nose", (4))
    
 ])
    
 '''这个函数用于将 dlib 的关键点对象转换为 NumPy 数组，以便后续处理。
    
 它遍历关键点对象中的每个点，提取其 x 和 y 坐标，然后将坐标保存在 NumPy 数组中。'''
    
 def shape_to_np(shape, dtype="int"):
    
 	# 创建68*2
    
 	coords = np.zeros((shape.num_parts, 2), dtype=dtype)
    
 	# 遍历每一个关键点
    
 	# 得到坐标
    
 	for i in range(0, shape.num_parts):
    
 		coords[i] = (shape.part(i).x, shape.part(i).y)
    
 	return coords
    
 '''
    
     这个函数用于在图像上可视化面部关键点。
    
     它接受输入图像、关键点坐标、可选颜色和透明度参数。
    
     在输入图像上绘制关键点，可以为不同面部部位指定不同的颜色。
    
     最后，将可视化的图像与原图像混合以得到输出图像。'''
    
 def visualize_facial_landmarks(image, shape, colors=None, alpha=0.75):
    
 	# 创建两个copy
    
 	# overlay and one for the final output image
    
 	overlay = image.copy()
    
 	output = image.copy()
    
 	# 设置一些颜色区域
    
 	if colors is None:
    
 		colors = [(19, 199, 109), (79, 76, 240), (230, 159, 23),
    
 			(168, 100, 168), (158, 163, 32),
    
 			(163, 38, 32), (180, 42, 220)]
    
 	# 遍历每一个区域
    
 	for (i, name) in enumerate(FACIAL_LANDMARKS_68_IDXS.keys()):
    
 		# 得到每一个点的坐标
    
 		(j, k) = FACIAL_LANDMARKS_68_IDXS[name]
    
 		pts = shape[j:k]
    
 		# 检查位置
    
 		if name == "jaw":
    
 			# 用线条连起来
    
 			for l in range(1, len(pts)):
    
 				ptA = tuple(pts[l - 1])
    
 				ptB = tuple(pts[l])
    
 				cv2.line(overlay, ptA, ptB, colors[i], 2)
    
 		# 计算凸包
    
 		else:
    
 			hull = cv2.convexHull(pts)
    
 			cv2.drawContours(overlay, [hull], -1, colors[i], -1)
    
 	# 叠加在原图上，可以指定比例
    
 	cv2.addWeighted(overlay, alpha, output, 1 - alpha, 0, output)
    
 	return output
    
  
    
 # 加载人脸检测与关键点定位
    
 detector = dlib.get_frontal_face_detector()
    
 predictor = dlib.shape_predictor(args["shape_predictor"])
    
  
    
 # 读取输入数据，预处理
    
 image = cv2.imread(args["image"])
    
 (h, w) = image.shape[:2]
    
 width=500#这一行定义了一个新的宽度，即将图像调整为的目标宽度。
    
 r = width / float(w)
    
 '''这一行创建一个新的图像维度 dim，它是一个元组，包含了目标宽度 width 和一个计算出的新高度。
    
 新高度是原始高度 h 乘以比例 r 并取整数部分'''
    
 dim = (width, int(h * r))
    
 '''最后一行使用OpenCV的 cv2.resize 函数，
    
 将原始图像 image 调整为新的维度 dim，以实现目标宽度为500像素，同时保持高宽比例不变。
    
 interpolation 参数指定了插值方法，这里使用了 cv2.INTER_AREA，它适合缩小图像。'''
    
 image = cv2.resize(image, dim, interpolation=cv2.INTER_AREA)
    
 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    
  
    
 # 人脸检测
    
 '''1 是一个可选参数，它控制人脸检测的程度。
    
 通常，值为 1 表示对图像进行一次粗略的检测。
    
 你也可以尝试使用不同的值，以获得更灵敏或更宽松的人脸检测结果'''
    
 rects = detector(gray, 1)
    
  
    
 # 遍历检测到的框
    
 for (i, rect) in enumerate(rects):
    
 	# 对人脸框进行关键点定位
    
 	# 转换成ndarray
    
 	shape = predictor(gray, rect)
    
 	shape = shape_to_np(shape)
    
  
    
 	# 遍历每一个部分
    
 	#这段代码针对每个面部部位执行一系列操作
    
 	for (name, (i, j)) in FACIAL_LANDMARKS_68_IDXS.items():
    
 		clone = image.copy() #这一行创建了图像的一个副本 clone，以便在副本上绘制标记，以保持原始图像不受影响。
    
 		cv2.putText(clone, name, (10, 30), cv2.FONT_HERSHEY_SIMPLEX,
    
 			0.7, (0, 0, 255), 2)
    
 		'''
    
 		    这一行在图像上标记面部部位的名称，使用 OpenCV 的 cv2.putText 函数。
    
     name 是部位的名称。
    
     (10, 30) 是文本的起始坐标。
    
     cv2.FONT_HERSHEY_SIMPLEX 是用于文本的字体。
    
     0.7 是字体的比例因子。
    
     (0, 0, 255) 是文本的颜色（蓝色）。
    
     2 是文本的线宽。'''
    
  
    
 		# 根据位置画点
    
 		for (x, y) in shape[i:j]:
    
 			cv2.circle(clone, (x, y), 3, (0, 0, 255), -1)
    
 			'''    这个循环遍历给定部位的关键点坐标 (x, y)，并在 clone 图像上绘制红色的小圆圈，以标记关键点的位置。
    
     (x, y) 是关键点的坐标。
    
     3 是圆圈的半径。
    
     (0, 0, 255) 是红色的颜色。'''
    
  
    
 		# 提取ROI区域
    
 		(x, y, w, h) = cv2.boundingRect(np.array([shape[i:j]]))
    
 		
    
 		roi = image[y:y + h, x:x + w]
    
 		(h, w) = roi.shape[:2]
    
 		width=250
    
 		r = width / float(w)
    
 		dim = (width, int(h * r))
    
 		roi = cv2.resize(roi, dim, interpolation=cv2.INTER_AREA)
    
 		
    
 		# 显示每一部分
    
 		cv2.imshow("ROI", roi)
    
 		cv2.imshow("Image", clone)
    
 		cv2.waitKey(0)
    
  
    
 	# 展示所有区域
    
 	output = visualize_facial_landmarks(image, shape)
    
 	cv2.imshow("Image", output)
    
 	cv2.waitKey(0)