该代码基于开源库dlib，face_recognition
对原始人脸图片戴口罩后并对齐、裁剪成128*128大小的图片 支持数据集输入，输出
该算法由四个模块组成，分别是：主体模块、人脸关键点检测模块、口罩佩戴模块和人脸对齐模块。软件的系统总框图下图所示。
主体模块进行了相关参数初始化、数据的读取，以及各部分模块的调用。说明如下：
face_locations = [left_up,left_down,right_up,right_down] # 人脸在图片中的位置
face_landmarks = []#人脸68个关键点坐标
CROPE_SIZE = 128 #最后输出的人脸图片尺寸
predictor = dlib.shape_predictor("./models/shape_predictor_68_face_landmarks.dat") #预训练模型位置
unmasked_paths=[] #记录未成功佩戴口罩的位置
dataset_path =' ' 输入图片文件夹的位置
output_dir = ‘’ 输出文件位置
此模块的流程如下：
（1）初始化相关参数值：face_locations，face_landmarks，CROPE_SIZE = 128， predictor
（2）读入数据；
（3) 调用人脸坐标点检测模块、口罩佩戴模块和人脸对齐模块。
（4) 保存佩戴完口罩的图片，并记录佩戴失败的图片
本模块用于计算人脸关键点位置坐标，并返回输入图片face_locations，face_landmarks。
（1） face_recognition.face_locations（face_img）方法。 获得输入图片中人脸位置的坐标。其基本参数如下：
img（以numpy读取的图片）
number_of_times_to_upsample （寻找人脸时对图片上采样的次数，数字越大，越可以找到更小的人脸，默认为1）
model （使用哪种面部检测模型。“ hog”不太准确，但在CPU上更快。“ cnn”是经过GPU / CUDA加速（如果可用）的更准确的深度学习模型。 默认为“hog）
（2）face_recognition.face_landmarks(face_image_np, face_locations)方法，计算人脸关键点，返回face_landmarks。其基本参数如下：
face_image_np （需要检测人脸关键点的图片）
face_locations （可选）提供面部位置列表以进行检查
model 可选-使用哪种型号。 “大”（默认）或“小”，仅返回5点，但速度更快
人脸关键点检测的处理流程图如下图所示。
本模块的作用是根据检测出的人脸关键点，将口罩图片放缩成合适大小并放到合适位置。
add_mask方法是该模块的主要方法，其基本参数如下：
mask_path 口罩图片位置
face_locations 人脸位置坐标矩阵
face_landmarks 人脸关键点坐标矩阵
get_distance_from_point_to_line方法，获得点到线距离，其基本参数如下：
get_distance_from_point_to_line point 点的坐标，由长度为2的一维数组构成。
line_point1 线的第一个端点坐标，由长度为2的一维数组构成。
line_point2 线的第二个端点坐标，由长度为2的一维数组构成。
FaceMasker类：对人脸图片加入口罩
口罩佩戴的流程图如下图所示。
当人脸图片佩戴好口罩后，为提高人脸识别精度，需要将图片进行旋转和重塑尺寸。
face_alignment方法是该模块的主要方法，其基本参数如下：
face_alignment faces 戴完口罩的人脸数据矩阵
shape_predictor 预训练dlib人脸关键点检测模型
人脸对齐模块处理流程如下：
lfw数据集 效果图
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent