OpenCV完成面部情绪识别

简介: OpenCV完成面部情绪识别

环境

  1. Python3安装
  2. OpenCV库安装在cmd中输入pip install opencv-contrib-python,如果显示pip不是内部或外部命令,那就是未配置环境变量,自行百度。
  3. Numpy库安装在cmd中输入pip install numpy
  4. OpenCV人脸识别器下载(文件夹中已经有了,lbpcascade_frontalface.xml)这里我选择的是LBPH人脸识别器,他能很好的避免光线明暗的影响

准备训练数据

这里我们在网上搜集了20多张有关小孩情绪的照片(精力有限,只作简单的学习),将其手动标记为happysad两种标签,照片命名规则为标签.jpg。

将照片分为训练数据和测试数据,分别放在img_trainimg_predict文件夹下。

所以我们的目录结构是这样的

-- img_train    

        -- happy1.jpg    

        -- happy2.jpg  

         -- ...     -- sad1.jpg  

         -- sad2.jpg    

-- ...-- img_predict    

        -- happy1.jpg  

         -- sad1.jpg

准备工作已经做好了,接下来我们可以开始编写代码了,这里我将代码分成了6个源文件源文件detect_face.py

import cv2
def detect_face(img):
    #将图像转变成灰度图像,因为OpenCV人脸检测器需要灰度图像
    gray = cv2.cvtColor(img, cv2.COLOR_BAYER_BG2GRAY)
    #加载OpenCV人脸识别器,注意这里的路径是前面下载识别器时,你保存的位置
    face_cascade = cv2.CascadeClassifier(r'D:\matlab\matlab\toolbox\vision\visionutilities\classifierdata\cascade\lbp\lbpcascade_frontalface.xml')
    #scaleFactor表示每次图像尺寸减小的比例,minNeighbors表示构成检测目标的相邻矩形的最小个数
    #这里选择图像尺寸减小1.2倍。minNeighbors越大,识别出来的人脸越准确,但也极易漏判
    faces = face_cascade.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=1)
    # 如果图中没有人脸,该图片不参与训练,返回None
    if len(faces) == 0:
        return None, None
    # 提取面部区域
    (x, y, w, h) = faces[0]
    #返回人脸及其所在区域
    return gray[y:y + w, x:x + h], faces[0]

detect_face.py文件中定义了函数detect_face,它能提取输入图像的人脸及其位置。

源文件prepare_training_data.py

import os
#引入刚刚编写好的源文件
from detect_face import detect_face
import cv2
def prepare_training_data():
    #读取训练文件夹中的图片名称
    dirs = os.listdir(r'./img_train')
    faces = []
    labels = []
    for image_path in dirs:
        #如果图片的名称以happy开头,则标签为1l;sad开头,标签为2
        if image_path[0] == 'h':
            label = 1
        else:
            label = 2
        #得到图片路径
        image_path = './img_train/' + image_path
        #返回灰度图,返回Mat对象
        image = cv2.imread(image_path,0)
        #以窗口形式显示图像,显示100毫秒
        cv2.imshow("Training on image...", image)
        cv2.waitKey(100)
        #调用我们先前写的函数
        face, rect = detect_face(image)
        if face is not None:
            faces.append(face)
            labels.append(label)
    cv2.destroyAllWindows()
    cv2.waitKey(1)
    cv2.destroyAllWindows()
    return faces, labels

目前为止,我们对图片的预处理已经做好了!

识别器的训练

函数cv2.face.LBPHFaceRecognizer_create()将返回一个局部二值模式直方图(LBPH)人脸识别器我们可以开始写源文件main.py

from prepare_training_data import prepare_training_data
import cv2
import numpy as np
#该文件我们稍后编写
from predict import predict
if __name__ == '__main__':
   print("Preparing data...")
   #调用之前写的函数,得到包含多个人脸矩阵的序列和它们对于的标签
   faces, labels = prepare_training_data()
   print("Data prepared")
   print("Total faces: ", len(faces))
   print("Total labels: ", len(labels))
   #得到(LBPH)人脸识别器
   face_recognizer = cv2.face.LBPHFaceRecognizer_create()
   #应用数据,进行训练
   face_recognizer.train(faces, np.array(labels))
   print("Predicting images...")
   # 加载预测图像,这里我图简单,就直接把路径写上去了
   test_img1 = cv2.imread(r"./img_predict/happy1.jpg",0)
   test_img2 = cv2.imread(r"./img_predict/sad1.jpg",0)
   # 进行预测
   # 注意,该函数我们还未编写!!!
   predicted_img1 = predict(test_img1, face_recognizer)
   predicted_img2 = predict(test_img2, face_recognizer)
   print("Prediction complete")
   # 显示预测结果
   cv2.imshow('Happy', predicted_img1)
   cv2.imshow('Sad', predicted_img2)
   cv2.waitKey(0)
   cv2.destroyAllWindows()


相信到目前为止你已经对opencv的识别过程有了个清晰的认识,接下来我们将编写predict函数。

预测

源文件predict.py

from detect_face import detect_face
# 这两个文件我们还未编写
from draw_rectangle import draw_rectangle
from draw_text import draw_text
def predict(test_img, face_recognizer):
   # 将标签1,2转换成文字
   subjects = ['', 'Happy', 'Sad']
   # 得到图像副本
   img = test_img.copy()
   # 从图像中检测脸部
   face, rect = detect_face(img)
   # 使用我们的脸部识别器预测图像
   label = face_recognizer.predict(face)
   # 获取由人脸识别器返回的相应标签的名称
   label_text = subjects[label[0]]
   # 注意,下面两个函数我们还未编写!!!
   # 在检测到的脸部周围画一个矩形
   draw_rectangle(img, rect)
   # 在矩形周围标出人脸情绪
   draw_text(img, label_text, rect[0], rect[1] - 5)
   return img


程序的主要部分我们已经完成,还差draw_rectangle,和draw_text两个函数,我们将其完成:

源文件draw_rectangle.py

import cv2
def draw_rectangle(img, rect):
  (x, y, w, h) = rect
   cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)

源文件draw_text.py

import cv2
def draw_text(img, text, x, y):
   cv2.putText(img, text, (x, y), cv2.FONT_HERSHEY_PLAIN, 1.5, (0, 255, 0), 2)

大功告成!接下来我们运行main.py,得到识别结果:

可以看到识别结果还不错,如果增加训练集应该能训练出一个不错的情绪识别器。

相关文章
|
监控 计算机视觉 Python
用Python和OpenCV库实现识别人物出现并锁定
用Python和OpenCV库实现识别人物出现并锁定
252 0
|
计算机视觉 Python
最快速度写出一个识别效果——OpenCV模板匹配(含代码)
最快速度写出一个识别效果——OpenCV模板匹配(含代码)
368 0
|
6月前
|
算法 计算机视觉 开发者
OpenCV中使用Eigenfaces人脸识别器识别人脸实战(附Python源码)
OpenCV中使用Eigenfaces人脸识别器识别人脸实战(附Python源码)
333 0
|
4月前
|
计算机视觉 Python
opencv识别颜色
opencv识别颜色
|
4月前
|
机器学习/深度学习 数据采集 算法
Python基于OpenCV和卷积神经网络CNN进行车牌号码识别项目实战
Python基于OpenCV和卷积神经网络CNN进行车牌号码识别项目实战
290 19
|
5月前
|
移动开发 算法 计算机视觉
技术笔记:openCV特征点识别与findHomography算法过滤
技术笔记:openCV特征点识别与findHomography算法过滤
98 0
|
6月前
|
计算机视觉 开发者 Python
OpenCV中Fisherfaces人脸识别器识别人脸实战(附Python源码)
OpenCV中Fisherfaces人脸识别器识别人脸实战(附Python源码)
242 0
|
6月前
|
算法 计算机视觉
基于opencv的指针式仪表的识别与读数
基于opencv的指针式仪表的识别与读数
|
6月前
|
算法 计算机视觉 开发者
OpenCV中LBPH人脸识别器识别人脸实战(附Python源码)
OpenCV中LBPH人脸识别器识别人脸实战(附Python源码)
391 0
|
11月前
|
机器学习/深度学习 监控 算法
【opencv】计算机视觉:停车场车位实时识别
【opencv】计算机视觉:停车场车位实时识别
217 0