shape = predictor(gray, rect) left_eye = shape.part(36:42) right_eye = shape.part(42:48)

在这段代码中，您使用了错误的语法来指定列表中的元素范围。正确的语法是使用冒号（:）而不是使用一个冒号和一个数字（36:42）。所以，正确的代码应该是：

shape = predictor(gray, rect)
left_eye = shape.parts()[36:42]
right_eye = shape.parts()[42:48]

这样，您将能够正确地获取左眼和右眼的关键点。

相关问题

python代码：对采集的图像用dlib库进行68点人脸检测，并使用方位检测算法（如Haar级联分类器）检测人脸的朝向，并将人脸的角度显示在图像上

下面是一个简单的示例代码，使用dlib库进行68点人脸检测，并使用OpenCV的Haar级联分类器检测人脸的朝向，并将人脸的角度显示在图像上：

import cv2
import dlib

# 加载Haar级联分类器
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

# 加载dlib人脸检测器和68点模型
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor('shape_predictor_68_face_landmarks.dat')

# 读取图像
img = cv2.imread('test.jpg')

# 转换为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 使用Haar级联分类器检测人脸
faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5)

# 对每个检测到的人脸进行处理
for (x, y, w, h) in faces:
    # 在灰度图像中截取人脸部分
    roi_gray = gray[y:y+h, x:x+w]
    
    # 使用dlib检测人脸特征点
    rect = dlib.rectangle(int(x), int(y), int(x + w), int(y + h))
    landmarks = predictor(gray, rect)
    
    # 计算人脸朝向角度
    left_eye = (landmarks.part(36).x, landmarks.part(36).y)
    right_eye = (landmarks.part(45).x, landmarks.part(45).y)
    dy = right_eye[1] - left_eye[1]
    dx = right_eye[0] - left_eye[0]
    angle = cv2.fastAtan2(dy, dx)
    
    # 在图像上绘制人脸和角度信息
    cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)
    cv2.putText(img, 'Angle: {:.2f}'.format(angle), (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 1)

# 显示结果图像
cv2.imshow('Result', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这个例子中，我们首先加载了Haar级联分类器和dlib的人脸检测器和68点模型。然后，我们读取了一张测试图像，并将其转换为灰度图像。使用Haar级联分类器检测人脸，并对每个检测到的人脸进行处理。

在处理每个人脸时，我们使用dlib检测人脸特征点，并计算人脸朝向角度。最后，我们在图像上绘制人脸矩形和角度信息，并显示结果图像。

需要注意的是，Haar级联分类器和dlib人脸检测器都不是完美的，可能会漏检或误检。在实际应用中，可以使用其他更高级别的人脸检测算法，如基于深度学习的算法，以获得更好的检测效果。