理想の顔に近づくメイク術：dlib & OpenCVで顔の特徴差を分析してみた

こんばんは、Yuinaです！

今日はSQLをお休みして、Pythonでプログラムを作成します。

ところで、みなさんは「このモデルさんみたいな顔になりたいな」「自分に似合うメイクってどうやって見つけるんだろう？」そんなふうに思ったこと、ありませんか？

メイクって、感覚や流行だけじゃなくて、「自分と理想の顔の“差”」を知ることでグッと精度が上がるんです。

今回は、自分の顔と理想の顔（女優さん・モデルさん・アニメキャラなどでもOK）を画像で比較して、
目や鼻、口、輪郭などの細かなパーツごとの特徴差を数値化しました。

理想の顔に“寄せていく”楽しさを、ぜひ体験してみてください！

よろしくお願いいたします🙏

環境：Google Colab

必要なライブラリ：

cv2: OpenCV ライブラリです。画像データの読み込み、処理、表示などに使われます。
dlib: 顔検出や顔のパーツ（ランドマーク）の検出に使われるライブラリです。
numpy: 数値計算を効率的に行うためのライブラリです。ここでは、ランドマークの座標を数値配列として扱ったり、距離計算などを行ったりするのに使われます。

!pip install opencv-python dlib numpy

必要なファイル：

shape_predictor_68_face_landmarks.dat

これはdlibの顔ランドマーク検出に必要な学習モデルファイルです。

!wget http://dlib.net/files/shape_predictor_68_face_landmarks.dat.bz2
!bzip2 -d shape_predictor_68_face_landmarks.dat.bz2

画像ファイルの準備します。

self_image_path: あなたの顔写真のファイルパス
ideal_image_path: 理想の顔の写真のファイルパス

self_image_path = "/content/S__40124419.jpg"
ideal_image_path = "/content/S__40124437.jpg"

アップロードが完了したら、ファイル名を確認して次へ進みます。

import cv2
import dlib
import numpy as np

# 顔検出器と68点のランドマークモデル
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")

ライブラリの準備と読み込みをしていきます。

get_frontal_face_detector()は顔を検出する関数です。

shape_predictor(...)は、顔の68点ランドマークモデルを読み込んでいます。

def get_landmarks(image_path):
    img = cv2.imread(image_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    faces = detector(gray)

    if len(faces) == 0:
        raise ValueError("顔が見つかりませんでした")

    shape = predictor(gray, faces[0])
    landmarks = np.array([[p.x, p.y] for p in shape.parts()])
    return landmarks

ここでは、ランドマークの取得と特徴量を抽出しています。

まず画像を読み込み、グレースケールに変換します。

続いて、顔を検出し、最初に見つかった顔に対してランドマーク（目、鼻、口、輪郭など68点）を取得します。そして、取得した点をNumPy配列として返却します。

def extract_detailed_features(landmarks):
    features = {}
    features["eye_width_L"] = np.linalg.norm(landmarks[36] - landmarks[39])
    features["eye_width_R"] = np.linalg.norm(landmarks[42] - landmarks[45])
    ...
    return features

ここでは特徴の抽出と差分の計算をしています。

顔の各パーツ（目の横幅・間隔・鼻の長さ・唇の厚み・顔全体の比率など）を定義し、

np.linalg.normで2点間の距離を測定し、特徴として記録します。

ちなみに、landmarks[36] や landmarks[39] は、dlibの68点顔ランドマークモデルにおける特定の顔パーツの座標を意味します。

このモデルでは、以下は主な番号の意味です：

範囲	部位	説明
0–16	顎ライン	あごの左端から右端まで
17–21	左眉毛	左目の上の眉毛
22–26	右眉毛	右目の上の眉毛
27–30	鼻筋	眉間から鼻の先へ
30–35	鼻の下部	鼻のふくらみ部分
36–41	左目	6点で囲まれる輪郭
42–47	右目	同様に6点で囲まれる輪郭
48–59	外唇	唇の輪郭部分
60–67	内唇	唇の内側の輪郭

landmarks_self = get_landmarks(self_image_path)
landmarks_ideal = get_landmarks(ideal_image_path)

features_self = extract_detailed_features(landmarks_self)
features_ideal = extract_detailed_features(landmarks_ideal)

for key in features_self:
    diff = features_self[key] - features_ideal[key]
    print(f"{key}: {diff:+.2f}")

自分と理想の顔のランドマークを比較し、各特徴量の差分を出力します。

出力結果を見てみる
まとめ

出力結果を見てみる

以下は私の顔と理想の顔のランドマークを比較した結果です。

それぞれの項目は、私の顔の特徴が理想の顔と比べてどれだけ大きいか（プラスの値）

または小さいか（マイナスの値）の差分を示しています。

🔍 顔の特徴差分：
eye_width_L: +96.17
eye_width_R: +91.66
eye_distance: +155.96
nose_length: +192.96
nose_width: +97.02
nose_bridge_width: +47.98
mouth_width: +169.07
upper_lip_thickness: +28.00
lower_lip_thickness: +37.97
forehead_height: +96.50
brow_length_L: +183.88
brow_length_R: +154.48
brow_gap: +108.98
jaw_width: +410.44
chin_sharpness: +45.51
face_height: +390.80
face_width: +497.58
face_ratio: +0.04

表にまとめてみました。

特徴名	説明（何を測っているか）	差分がプラスの場合の意味
`eye_width_L`	左目の目尻〜目頭の距離	左目が横に広い
`eye_width_R`	右目の目尻〜目頭の距離	右目が横に広い
`eye_distance`	左目の目頭〜右目の目頭の距離	目の間隔が広い（離れ目寄り）
`nose_length`	鼻の付け根（眉間）〜鼻先の距離	鼻が長い
`nose_width`	小鼻の端〜小鼻の端の距離	鼻が横に広い（小鼻が張っている）
`nose_bridge_width`	鼻筋の幅（鼻の上部の幅）	鼻筋が太い
`mouth_width`	口角〜口角の距離	口が大きく見える
`upper_lip_thickness`	上唇の厚さ	上唇が厚い
`lower_lip_thickness`	下唇の厚さ	下唇が厚い
`forehead_height`	眉間〜額の上部の距離	額が広い（生え際が上にある印象）
`brow_length_L`	左眉の長さ	左眉が長い
`brow_length_R`	右眉の長さ	右眉が長い
`brow_gap`	左右眉の内側間の距離（眉間の広さ）	眉間が広い
`jaw_width`	顎（エラ）の横幅	顎が広い、エラが張っている印象
`chin_sharpness`	顎の尖り具合	顎が丸い、または前に出ている
`face_height`	眉間〜顎先までの顔の高さ	顔が長い（面長）
`face_width`	顔の横幅（こめかみ〜こめかみ）	顔の横幅が広い（横長）
`face_ratio`	顔の縦横比（face_height ÷ face_width）	面長寄り