如何使用OpenFace预训练模型实现人脸检测？是否需掌握Lua？

阿华AIGC实验室

2026-5-26

如何使用OpenFace预训练模型做人脸检测（无需掌握Lua）

嘿，我完全懂你对着一堆Lua文件犯愁的感觉——其实根本不用专门去学Lua就能用OpenFace的预训练模型！下面给你一步步讲清楚怎么处理你的图片列表，完成人脸检测并保存结果：

核心结论：不用掌握Lua

OpenFace的开发者已经把底层的Lua网络封装成了更易用的命令行工具和Python API，那些nn4.small2.def.lua之类的文件是Torch框架的网络结构定义，工具会自动加载解析，你完全不用自己写Lua代码。

具体操作步骤

1. 用命令行工具快速处理（适合无代码基础）

OpenFace自带的align-dlib工具可以直接处理图片列表，完成人脸检测、对齐，同时输出检测结果：

# 命令格式
align-dlib [你的图片列表文件路径] align outerEyesAndNose [对齐后人脸的输出目录] --size 96 --verbose

[你的图片列表文件路径]：就是你存储图片路径的文本文件，每行一个图片路径
--size 96：对应nn4.small2模型的输入尺寸，如果你用其他模型（比如nn4.v1）就改成128
执行完后，输出目录里会生成对齐后的人脸图片，同时在当前目录生成labels.csv，里面包含每张图片的人脸位置（检测框坐标）等信息，直接就是你要的检测结果。

如果还需要提取人脸特征，接着用batch-represent工具：

batch-represent -d [对齐后人脸的输出目录] -o [特征输出目录]

它会自动加载nn4.small2这类预训练模型，生成特征向量并保存。

2. 用Python API自定义处理（适合需要灵活逻辑）

如果需要更定制化的结果保存格式，或者要结合其他逻辑，用OpenFace的Python绑定更方便，示例代码如下：

import openface
import cv2

# 初始化人脸对齐工具和预训练模型
align = openface.AlignDlib("/path/to/openface/models/dlib/shape_predictor_68_face_landmarks.dat")
# 自动加载models目录下的Lua网络定义和预训练权重
model = openface.TorchNeuralNet(
    models_dir="/path/to/openface/models",
    network_model="nn4.small2.v1.t7"
)

# 读取你的图片列表文件
image_paths = []
with open("/path/to/your/image_list.txt", "r") as f:
    for line in f:
        path = line.strip()
        if path:
            image_paths.append(path)

# 处理每张图片并收集结果
detection_results = []
for img_path in image_paths:
    # 读取图片
    bgr_img = cv2.imread(img_path)
    if bgr_img is None:
        detection_results.append((img_path, None))
        continue
    rgb_img = cv2.cvtColor(bgr_img, cv2.COLOR_BGR2RGB)
    
    # 检测人脸框
    face_box = align.getLargestFaceBoundingBox(rgb_img)
    if face_box is None:
        detection_results.append((img_path, None))
        continue
    
    # 对齐人脸（符合模型输入要求）
    aligned_face = align.align(
        96, rgb_img, face_box,
        landmarkIndices=openface.AlignDlib.OUTER_EYES_AND_NOSE
    )
    
    # 提取人脸特征（如果不需要特征可以跳过这步）
    face_feature = model.forward(aligned_face)
    
    # 记录结果：图片路径、人脸框坐标、特征
    detection_results.append((
        img_path,
        (face_box.left(), face_box.top(), face_box.right(), face_box.bottom()),
        face_feature.tolist()
    ))

# 将结果保存到CSV文件
with open("/path/to/detection_results.csv", "w") as f:
    f.write("image_path,face_left,face_top,face_right,face_bottom,features\n")
    for item in detection_results:
        img_path, box, feature = item
        if box is None:
            f.write(f"{img_path},,,,,\n")
        else:
            left, top, right, bottom = box
            feature_str = ",".join(map(str, feature))
            f.write(f"{img_path},{left},{top},{right},{bottom},{feature_str}\n")

这段代码会自动处理你的图片列表，把人脸检测框和特征保存到CSV文件里，全程不需要你写任何Lua代码。