人臉識別面部表情

2021-09-10 08:22:26 字數 4785 閱讀 6672

import dlib                     #人臉識別的庫dlib

import numpy as np #資料處理的庫numpy

import cv2 #影象處理的庫opencv

class face_emotion():

def __init__(self):

# 使用特徵提取器get_frontal_face_detector

self.detector = dlib.get_frontal_face_detector()

# dlib的68點模型,使用作者訓練好的特徵**器

self.predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")

#建cv2攝像頭物件,這裡使用電腦自帶攝像頭,如果接了外部攝像頭,則自動切換到外部攝像頭

self.cap = cv2.videocapture(0)

self.cap.set(3, 480)

# 截圖screenshoot的計數器

self.cnt = 0

def learning_face(self):

# 眉毛直線擬合資料緩衝

line_brow_x =

line_brow_y =

# cap.isopened() 返回true/false 檢查初始化是否成功

while(self.cap.isopened()):

# cap.read()

# 返回兩個值:

# 影象物件,影象的三維矩陣

flag, im_rd = self.cap.read()

# 每幀資料延時1ms,延時為0讀取的是靜態幀

k = cv2.waitkey(1)

# 取灰度

img_gray = cv2.cvtcolor(im_rd, cv2.color_rgb2gray)

# 使用人臉檢測器檢測每一幀影象中的人臉。並返回人臉數rects

faces = self.detector(img_gray, 0)

# 待會要顯示在螢幕上的字型

font = cv2.font_hershey_******x

# 如果檢測到人臉

if(len(faces)!=0):

# 對每個人臉都標出68個特徵點

for i in range(len(faces)):

# enumerate方法同時返回資料物件的索引和資料,k為索引,d為faces中的物件

for k, d in enumerate(faces):

# 用紅色矩形框出人臉

cv2.rectangle(im_rd, (d.left(), d.top()), (d.right(), d.bottom()), (0, 0, 255))

# 計算人臉熱別框邊長

self.face_width = d.right() - d.left()

# 使用**器得到68點資料的座標

shape = self.predictor(im_rd, d)

# 圓圈顯示每個特徵點

for i in range(68):

cv2.circle(im_rd, (shape.part(i).x, shape.part(i).y), 2, (0, 255, 0), -1, 8)

#cv2.puttext(im_rd, str(i), (shape.part(i).x, shape.part(i).y), cv2.font_hershey_******x, 0.5,

# (255, 255, 255))

# 分析任意n點的位置關係來作為表情識別的依據

mouth_width = (shape.part(54).x - shape.part(48).x) / self.face_width # 嘴巴咧開程度

mouth_higth = (shape.part(66).y - shape.part(62).y) / self.face_width # 嘴巴張開程度

# print("嘴巴寬度與識別框寬度之比:",mouth_width_arv)

# print("嘴巴高度與識別框高度之比:",mouth_higth_arv)

# 通過兩個眉毛上的10個特徵點,分析挑眉程度和皺眉程度

brow_sum = 0 # 高度之和

frown_sum = 0 # 兩邊眉毛距離之和

for j in range(17, 21):

brow_sum += (shape.part(j).y - d.top()) + (shape.part(j + 5).y - d.top())

frown_sum += shape.part(j + 5).x - shape.part(j).x

# self.brow_k, self.brow_d = self.fit_slr(line_brow_x, line_brow_y) # 計算眉毛的傾斜程度

tempx = np.array(line_brow_x)

tempy = np.array(line_brow_y)

z1 = np.polyfit(tempx, tempy, 1) # 擬合成一次直線

self.brow_k = -round(z1[0], 3) # 擬合出曲線的斜率和實際眉毛的傾斜方向是相反的

brow_hight = (brow_sum / 10) / self.face_width # 眉毛高度佔比

brow_width = (frown_sum / 5) / self.face_width # 眉毛距離佔比

# print("眉毛高度與識別框高度之比:",round(brow_arv/self.face_width,3))

# print("眉毛間距與識別框高度之比:",round(frown_arv/self.face_width,3))

# 眼睛睜開程度

eye_sum = (shape.part(41).y - shape.part(37).y + shape.part(40).y - shape.part(38).y +

shape.part(47).y - shape.part(43).y + shape.part(46).y - shape.part(44).y)

eye_hight = (eye_sum / 4) / self.face_width

# print("眼睛睜開距離與識別框高度之比:",round(eye_open/self.face_width,3))

# 分情況討論

# 張嘴,可能是開心或者驚訝

if round(mouth_higth >= 0.03):

if eye_hight >= 0.056:

cv2.puttext(im_rd, "amazing", (d.left(), d.bottom() + 20), cv2.font_hershey_******x, 0.8,

(0, 0, 255), 2, 4)

else:

(0, 0, 255), 2, 4)

# 沒有張嘴,可能是正常和生氣

else:

if self.brow_k <= -0.3:

cv2.puttext(im_rd, "angry", (d.left(), d.bottom() + 20), cv2.font_hershey_******x, 0.8,

(0, 0, 255), 2, 4)

else:

cv2.puttext(im_rd, "nature", (d.left(), d.bottom() + 20), cv2.font_hershey_******x, 0.8,

(0, 0, 255), 2, 4)

# 標出人臉數

cv2.puttext(im_rd, "faces: "+str(len(faces)), (20,50), font, 1, (0, 0, 255), 1, cv2.line_aa)

else:

# 沒有檢測到人臉

cv2.puttext(im_rd, "no face", (20, 50), font, 1, (0, 0, 255), 1, cv2.line_aa)

# 新增說明

im_rd = cv2.puttext(im_rd, "s: screenshot", (20, 400), font, 0.8, (0, 0, 255), 1, cv2.line_aa)

im_rd = cv2.puttext(im_rd, "q: quit", (20, 450), font, 0.8, (0, 0, 255), 1, cv2.line_aa)

# 按下s鍵截圖儲存

# 按下q鍵退出

if(k == ord('q')):

break

# 視窗顯示

cv2.imshow("camera", im_rd)

# 釋放攝像頭

self.cap.release()

# 刪除建立的視窗

cv2.destroyallwindows()

if __name__ == "__main__":

my_face = face_emotion()

my_face.learning_face()

參考

dlib

shape_predictor_68_face_landmarks.dat

人臉面部表情識別 keras實現(二)

import cv2 import sys import json import time import numpy as np from keras.models import model from json cascpath sys.ar 1 facecascade cv2.cascadecla...

人臉表情識別

首先我們來了解一下表情識別的相關背景知識以及發展近況。人臉表情是最直接 最有效的情感識別模式。它有很多人機互動方面的應用,例如疲勞駕駛檢測和手機端實時表情識別。早在20世紀ekman等專家就通過跨文化調研提出了七類基礎表情,分別是生氣,害怕,厭惡,開心,悲傷,驚訝以及中立。然而不斷的研究發現這七類基...

輕量化人臉表情識別

1 引言 1.1應用價值 人臉表情識別在人機互動 教育 安防 輔助駕駛 廣告等領域均有廣泛應用,是乙個很有發展前景的方向。目前,僅針對人臉識別的技術相對成熟,表情識別還有很大市場,接下來需要做的是將表情識別運用到實際場景中,將其與現實需求進行良好結合。例如在遊戲製作上面,可以根據人類情感做出實時反映...