python3+dlib人脸识别及情绪分析

小说:德州扑克胜率15起手牌作者:王石纯更新时间:2019-01-24字数:72721

“难道你们不知道高达最强大的地方不是火力而是机动性吗?”刘皓淡淡的说道,战神高达所有翅膀一起张开,推进力一下子提升到了八成,轰的一声轻松躲开了两架高达的攻击同时出现在强夺高达的面前。

棋牌娱乐合集城官网

“好!”纪太虚笑道:“甚好,纪寒已经在三界之中行走多时了吧。待到我复出以后,我们立刻建国,可将承乾证就大罗金仙,这样的话,我们便至少有了四位大罗金仙了。”
走到最前,李庆安看到了李林甫,李林甫向他微微点了点头,可是在李林甫的上首还坐着一人,头戴金冠,穿着赤黄色的大袍,李庆安一转念便反应过来了,这个人必定就是大唐太子李亨。

水银泻地的精神力覆盖海星斗罗这庞大的身体,但唐三却吃惊地发现,自己的精神力如此细致的扫描竟然无法从海星斗罗身上找到确切的破绽。也就是说,眼前这海星斗罗身体并没有实际缺陷,就算是身体正中,似乎也只是比其他地方略微重要一点而已。

python3+dlib人脸识别及情绪分析


一、介绍

我想做的是基于人脸识别的表情(情绪)分析。看到网上也是有很多的开源库提供使用,为开发提供了很大的方便。我选择目前用的比较多的dlib库进行人脸识别与特征标定。使用python也缩短了开发周期。

官网对于dlib的介绍是:Dlib包含广泛的机器学习算法。所有的设计都是高度模块化的,快速执行,并且通过一个干净而现代的C ++ API,使用起来非常简单。它用于各种应用,包括机器人技术,嵌入式设备,手机和大型高性能计算环境。

虽然应用都比较高大上,但是自己在PC上做个情绪分析的小软件还是挺有意思的。

按照自己的想法与思路设计识别方式。目前也比较火的keras好像就是根据嘴型的变化作为情绪分析的一个指标。

而我的想法是利用嘴的张开比例,眼睛的睁开程度,眉毛的倾斜角度作为情绪分析的三个指标。但是由于人与人长相的差异较大,五官的也是千差万别,再加上我的计算方法也比较简单。所以识别效率并不是很高。

识别规则:

1、嘴巴张开距离占面部识别框宽度的比例越大,说明情绪越激动,可能是非常开心,也可能是极度愤怒。

2、眉毛上扬,17-21 或者 22-26 号特征点距离面部识别框顶部与识别框高度的比值越小,说明眉毛上扬越厉害,可表示惊讶、开心。眉毛的倾斜角度,开心时眉毛一般是上扬,愤怒时皱眉,同时眉毛下压的比较厉害。

3、眯眼睛,人在开怀大笑的时候会不自觉的眯起眼睛,愤怒或者惊讶的时候会瞪大眼睛。

系统缺点:不能捕捉细微表情的变化,只能大致的判断出人的情绪,开心、愤怒、惊讶、自然。

系统优点:结构简单,易于上手。

应用领域:微笑抓拍,捕捉瞬间的美好、缓解儿童自闭症、交互式游戏开发。

由于人感情的复杂性,这些表情确实不能完完全全的代表一个人内心深处的情绪波动,如要提高判断的准确性,则需要心率检测、语音处理等综合评价。

二、开发环境搭建:

1、安装VS2015,因为最新版的dlib-19.10需要这个版本的vscode

2、安装opencv(whl方式安装):
从pythonlibs下载需要的版本whl文件,比如(opencv_python?3.3.0+contrib?cp36?cp36m?win_amd64.whl)
然后在本地使用pip install 安装。 注意文件位置下安装(如:C:downloadxxx.whl)

3、安装dlib(whl方式安装):
在这里下载dlib的各种版本的whl文件,然后在根目录下打开cmd直接安装即可。
但是为了学习使用dlib中的各种python实例程序,还是需要下载一个dlib的压缩包。
直接访问dlib官网即可下载:http://dlib.net/ml.html

dlib各种版本的whl文件:https://pypi.python.org/simple/dlib/

4、如果想要使用人脸模型特征标定的话,还需要一个人脸面部形状预测器,这个可以通过自己的照片进行训练,也可以使用dlib作者给出的一个训练好的预测器:         

点击下载:http://dlib.net/files/shape_predictor_68_face_landmarks.dat.bz2

三、实施思路

四、具体步骤

首先是利用dlib进行人脸识别:)

import cv2
import dlib
from skimage import io

# 使用特征提取器get_frontal_face_detector
detector = dlib.get_frontal_face_detector()
# dlib的68点模型,使用作者训练好的特征预测器
predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")
# 图片所在路径
img = io.imread("2.jpg")
# 生成dlib的图像窗口
win = dlib.image_window()
win.clear_overlay()
win.set_image(img)

# 特征提取器的实例化
dets = detector(img, 1)
print("人脸数:", len(dets))

for k, d in enumerate(dets):
        print("", k+1, "个人脸d的坐标:",
              "left:", d.left(),
              "right:", d.right(),
              "top:", d.top(),
              "bottom:", d.bottom())

        width = d.right() - d.left()
        heigth = d.bottom() - d.top()

        print("人脸面积为:",(width*heigth))

然后实例化一个 shape_predictor 对象,使用dlib作者训练好人脸特征检测器,进行人脸的特征点标定。

标定的时候使用opencv的circle方法,在特征点的坐标上面添加水印,内容就是特征点的序号和位置。

        # 利用预测器预测
        shape = predictor(img, d)
        # 标出68个点的位置
        for i in range(68):
            cv2.circle(img, (shape.part(i).x, shape.part(i).y), 4, (0, 255, 0), -1, 8)
            cv2.putText(img, str(i), (shape.part(i).x, shape.part(i).y), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255))
        # 显示一下处理的图片,然后销毁窗口
        cv2.imshow("face", img)
        cv2.waitKey(0)

到此,68个特征点的信息就获取到了,下面就需要跟根据这个68个特征点的坐标信息,进行综合 计算,作为每个表情的判断指标。

根据上面说到的我的判断指标,先计算嘴巴的张开比例,由于人离摄像头距离的远近,导致人脸识别框的大小不一,故选择比例来作为判断指标。

在选择指标的标准数值之前,先对多个开心的人脸照片进行分析。计算开心时的嘴巴张卡比例的平均。

下面是截取对人眉毛的数据处理方法,对左边眉毛上面的5个特征点进行线性拟合,拟合出一个一次函数直线,用拟合直线的斜率近似代表眉毛的倾斜程度。

                    # 眉毛
                    brow_sum = 0    # 高度之和
                    frown_sum = 0   # 两边眉毛距离之和
                    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
                        line_brow_x.append(shape.part(j).x)
                        line_brow_y.append(shape.part(j).y)

                    self.excel_brow_hight.append(round((brow_sum/10)/self.face_width,3))
                    self.excel_brow_width.append(round((frown_sum/5)/self.face_width,3))
                    brow_hight[0]+= (brow_sum/10)/self.face_width       # 眉毛高度占比
                    brow_width[0]+= (frown_sum/5)/self.face_width       # 眉毛距离占比

                    tempx = np.array(line_brow_x)
                    tempy = np.array(line_brow_y)
                    z1 = np.polyfit(tempx, tempy, 1)  # 拟合成一次直线
                    self.brow_k = -round(z1[0], 3)    # 拟合出曲线的斜率和实际眉毛的倾斜方向是相反的

我计算了25个人脸的开心表情的嘴巴张开比例、嘴巴宽度、眼睛张开程度、眉毛倾斜程度,导入excel表格生成折线图:

通过折线图能很明显的看出什么参数可以使用,什么参数的可信度不高,什么参数在那个范围内可以作为一个指标。

同样的方法,计算人愤怒、惊讶、自然时的数据折线图。

通过对多个不同表情数据的分析,得出每个指标的参考值,可以写出简单的表情分类标准:

                      # 分情况讨论
                        # 张嘴,可能是开心或者惊讶
                        if round(mouth_higth >= 0.03):
                            if eye_hight >= 0.056:
                                cv2.putText(im_rd, "amazing", (d.left(), d.bottom() + 20), cv2.FONT_HERSHEY_SIMPLEX, 0.8,
                                            (0, 0, 255), 2, 4)
                            else:
                                cv2.putText(im_rd, "happy", (d.left(), d.bottom() + 20), cv2.FONT_HERSHEY_SIMPLEX, 0.8,
                                            (0, 0, 255), 2, 4)

                        # 没有张嘴,可能是正常和生气
                        else:
                            if self.brow_k <= -0.3:
                                cv2.putText(im_rd, "angry", (d.left(), d.bottom() + 20), cv2.FONT_HERSHEY_SIMPLEX, 0.8,
                                            (0, 0, 255), 2, 4)
                            else:
                                cv2.putText(im_rd, "nature", (d.left(), d.bottom() + 20), cv2.FONT_HERSHEY_SIMPLEX, 0.8,
                                            (0, 0, 255), 2, 4)

五、实际运行效果:

识别之后:

 

完整项目代码:https://gitee.com/Andrew_Qian/face/blob/master/from_video.py

参考资料:

8种方法用Python实现线性回归,为你解析最高效选择;

利用python开发,借助Dlib库捕获摄像头中的人脸,进行实时人脸68个特征点标定;

49 款人脸检测/识别的API、库和软件

当前文章:http://zxqss.com/content/01-08/32322/content_6703777860.html

发布时间:2019-01-24 00:21:07

奔驰宝马棋牌游戏排行 凤凰棋牌游戏下载安装 欢乐斗地主最新版下载 怎么下载联众大厅 2019棋牌游戏评测网站 哈尔滨棋牌游戏制作 安卓闲来湖南麻将下载 可以开好友房的扎金花

编辑:丁海宗戏

我要说两句: (0人参与)

发布