python3+dlib實(shí)現(xiàn)人臉識(shí)別和情緒分析

一、介紹

我想做的是基于人臉識(shí)別的表情（情緒）分析。看到網(wǎng)上也是有很多的開源庫(kù)提供使用，為開發(fā)提供了很大的方便。我選擇目前用的比較多的dlib庫(kù)進(jìn)行人臉識(shí)別與特征標(biāo)定。使用python也縮短了開發(fā)周期。

官網(wǎng)對(duì)于dlib的介紹是：Dlib包含廣泛的機(jī)器學(xué)習(xí)算法。所有的設(shè)計(jì)都是高度模塊化的，快速執(zhí)行，并且通過(guò)一個(gè)干凈而現(xiàn)代的C ++ API，使用起來(lái)非常簡(jiǎn)單。它用于各種應(yīng)用，包括機(jī)器人技術(shù)，嵌入式設(shè)備，手機(jī)和大型高性能計(jì)算環(huán)境。

雖然應(yīng)用都比較高大上，但是自己在PC上做個(gè)情緒分析的小軟件還是挺有意思的。

按照自己的想法與思路設(shè)計(jì)識(shí)別方式。目前也比較火的keras好像就是根據(jù)嘴型的變化作為情緒分析的一個(gè)指標(biāo)。

而我的想法是利用嘴的張開比例，眼睛的睜開程度，眉毛的傾斜角度作為情緒分析的三個(gè)指標(biāo)。但是由于人與人長(zhǎng)相的差異較大，五官的也是千差萬(wàn)別，再加上我的計(jì)算方法也比較簡(jiǎn)單。所以識(shí)別效率并不是很高。

識(shí)別規(guī)則：

1、嘴巴張開距離占面部識(shí)別框?qū)挾鹊谋壤酱螅f(shuō)明情緒越激動(dòng)，可能是非常開心，也可能是極度憤怒。

2、眉毛上揚(yáng)，17-21 或者 22-26 號(hào)特征點(diǎn)距離面部識(shí)別框頂部與識(shí)別框高度的比值越小，說(shuō)明眉毛上揚(yáng)越厲害，可表示驚訝、開心。眉毛的傾斜角度，開心時(shí)眉毛一般是上揚(yáng)，憤怒時(shí)皺眉，同時(shí)眉毛下壓的比較厲害。

3、瞇眼睛，人在開懷大笑的時(shí)候會(huì)不自覺(jué)的瞇起眼睛，憤怒或者驚訝的時(shí)候會(huì)瞪大眼睛。

系統(tǒng)缺點(diǎn)：不能捕捉細(xì)微表情的變化，只能大致的判斷出人的情緒，開心、憤怒、驚訝、自然。

系統(tǒng)優(yōu)點(diǎn)：結(jié)構(gòu)簡(jiǎn)單，易于上手。

應(yīng)用領(lǐng)域：微笑抓拍，捕捉瞬間的美好、緩解兒童自閉癥、交互式游戲開發(fā)。

由于人感情的復(fù)雜性，這些表情確實(shí)不能完完全全的代表一個(gè)人內(nèi)心深處的情緒波動(dòng)，如要提高判斷的準(zhǔn)確性，則需要心率檢測(cè)、語(yǔ)音處理等綜合評(píng)價(jià)。

二、開發(fā)環(huán)境搭建：

1、安裝VS2015，因?yàn)樽钚掳娴膁lib-19.10需要這個(gè)版本的vscode

2、安裝opencv（whl方式安裝）：

從pythonlibs下載需要的版本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 安裝。 注意文件位置下安裝(如：C:downloadxxx.whl)

3、安裝dlib（whl方式安裝）：

在這里下載dlib的各種版本的whl文件，然后在根目錄下打開cmd直接安裝即可。

但是為了學(xué)習(xí)使用dlib中的各種python實(shí)例程序，還是需要下載一個(gè)dlib的壓縮包。

直接訪問(wèn)dlib官網(wǎng)即可下載：http://dlib.net/ml.html

dlib各種版本的whl文件：https://pypi.python.org/simple/dlib/

4、如果想要使用人臉模型特征標(biāo)定的話，還需要一個(gè)人臉面部形狀預(yù)測(cè)器，這個(gè)可以通過(guò)自己的照片進(jìn)行訓(xùn)練，也可以使用dlib作者給出的一個(gè)訓(xùn)練好的預(yù)測(cè)器：

點(diǎn)擊下載：http://dlib.net/files/shape_predictor_68_face_landmarks.dat.bz2

三、實(shí)施思路

四、具體步驟

首先是利用dlib進(jìn)行人臉識(shí)別：)

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點(diǎn)模型，使用作者訓(xùn)練好的特征預(yù)測(cè)器
predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")
# 圖片所在路徑
img = io.imread("2.jpg")
# 生成dlib的圖像窗口
win = dlib.image_window()
win.clear_overlay()
win.set_image(img)

# 特征提取器的實(shí)例化
dets = detector(img, 1)
print("人臉數(shù)：", len(dets))

for k, d in enumerate(dets):
 print("第", k+1, "個(gè)人臉d的坐標(biāo)：",
 "left:", d.left(),
 "right:", d.right(),
 "top:", d.top(),
 "bottom:", d.bottom())

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

 print('人臉面積為：',(width*heigth))

然后實(shí)例化一個(gè) shape_predictor 對(duì)象，使用dlib作者訓(xùn)練好人臉特征檢測(cè)器，進(jìn)行人臉的特征點(diǎn)標(biāo)定。

標(biāo)定的時(shí)候使用opencv的circle方法，在特征點(diǎn)的坐標(biāo)上面添加水印，內(nèi)容就是特征點(diǎn)的序號(hào)和位置。

 # 利用預(yù)測(cè)器預(yù)測(cè)
 shape = predictor(img, d)
 # 標(biāo)出68個(gè)點(diǎn)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))
 # 顯示一下處理的圖片，然后銷毀窗口
 cv2.imshow('face', img)
 cv2.waitKey(0)

到此，68個(gè)特征點(diǎn)的信息就獲取到了，下面就需要跟根據(jù)這個(gè)68個(gè)特征點(diǎn)的坐標(biāo)信息，進(jìn)行綜合 計(jì)算，作為每個(gè)表情的判斷指標(biāo)。

根據(jù)上面說(shuō)到的我的判斷指標(biāo)，先計(jì)算嘴巴的張開比例，由于人離攝像頭距離的遠(yuǎn)近，導(dǎo)致人臉識(shí)別框的大小不一，故選擇比例來(lái)作為判斷指標(biāo)。

在選擇指標(biāo)的標(biāo)準(zhǔn)數(shù)值之前，先對(duì)多個(gè)開心的人臉照片進(jìn)行分析。計(jì)算開心時(shí)的嘴巴張卡比例的平均。

下面是截取對(duì)人眉毛的數(shù)據(jù)處理方法，對(duì)左邊眉毛上面的5個(gè)特征點(diǎn)進(jìn)行線性擬合，擬合出一個(gè)一次函數(shù)直線，用擬合直線的斜率近似代表眉毛的傾斜程度。

# 眉毛
 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
 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 # 眉毛距離占比

 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(shí)際眉毛的傾斜方向是相反的

我計(jì)算了25個(gè)人臉的開心表情的嘴巴張開比例、嘴巴寬度、眼睛張開程度、眉毛傾斜程度，導(dǎo)入excel表格生成折線圖：

通過(guò)折線圖能很明顯的看出什么參數(shù)可以使用，什么參數(shù)的可信度不高，什么參數(shù)在那個(gè)范圍內(nèi)可以作為一個(gè)指標(biāo)。

同樣的方法，計(jì)算人憤怒、驚訝、自然時(shí)的數(shù)據(jù)折線圖。

通過(guò)對(duì)多個(gè)不同表情數(shù)據(jù)的分析，得出每個(gè)指標(biāo)的參考值，可以寫出簡(jiǎn)單的表情分類標(biāo)準(zhǔn)：

# 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_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)

 # 沒(méi)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_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、實(shí)際運(yùn)行效果：

識(shí)別之后：

聲明：本網(wǎng)頁(yè)內(nèi)容旨在傳播知識(shí)，若有侵權(quán)等問(wèn)題請(qǐng)及時(shí)與本網(wǎng)聯(lián)系，我們將在第一時(shí)間刪除處理。TEL:177 7030 7066 E-MAIL:11247931@qq.com