Python+Dlib+Opencv實現人臉採集並表情判別功能的程式碼
一、dlib以及opencv-python庫安裝
介於我使用的是jupyter notebook，所以在安裝dlib和opencv-python時是在
這個命令列安裝的
dlib安裝方法：
1.若可以，直接使用上圖所示命令列輸入以下命令：
pip install cmake
pip install boost
pip install dlib
若安裝了visual studio2019應該就可以直接pip install dlib，至少我是這樣
由於很多在執行第三句時都會報錯，所以這裡提供第二種辦法
2.去dlib官網：http://dlib.net/ 或者 https://github.com/davisking/dlib 下載壓縮包
下載完成後，解壓縮
在安裝dlib前需要安裝Boost和Cmake，dlib19之後你需要安裝vs2015以上的IDE，本人是安裝的vs2019，（建議先安裝好VS之後再安裝Cmake和 boost）
Cmake安裝
官網下載安裝包：https://cmake.org/download/
我下的是
直接安裝之後，配置環境變數
Boost下載
安裝boost：下載地址：http://www.boost.org/
如果vs安裝的是2015以上的版本，可以直接進行下一步，最好安裝最新版本，不然會找不到b2命令
下載之後將其解壓縮，進入boost_1_73_0資料夾中，找到bootstrap.bat批處理檔案，雙擊執行，等待執行完成後（命令列自動消失）會生成兩個檔案b2.exe和bjam.exe
然後將這兩個檔案複製到boost_1_73_0根資料夾下：
同樣開啟一個命令列，定位到這個資料夾，執行命令：
b2 install
這個安裝需要一段時間，耐心等候。
利用b2編譯庫檔案：
b2 -a –with-python address-model=64 toolset=msvc runtime-link=static
之前你cmake下載的64位這裡（address-model）寫64，如果是32位的就把之前的64改成32
安裝完成後配置boost環境變數
安裝dlib
進入你的dlib解壓路徑，輸入python setup.py install
成功之後會在資料夾中看見dlib和dlib.egg-info ，將這兩個資料夾複製到你的python安裝的目錄下的Lib檔案中：
—>例如我的python環境為python2.7，
—>所以將其放在python2-7資料夾的Python2-7\Lib\site-packages中
—>這時，就已經完成了dlib的配置
opencv-python安裝方法
在Anaconda Prompt下輸入以下命令
pip install opencv-python
但如果一直失敗，建議在Anaconda Prompt下輸入以下命令
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-python
二、dlib的68點模型
dlib的68點模型，使用網路上大神訓練好的特徵預測器，用來進行python程式碼人臉識別的特徵預測。
三、Python實現人臉識別&表情判別
"""
從視屏中識別人臉，並實時標出面部特徵點
"""
import sys
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預測器
self.predictor = dlib.shape_predictor("F:/face.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)
# 設定視訊引數，propId設定的視訊引數，value設定的引數值
self.cap.set(3,480)
# 截圖screenshoot的計數器
self.cnt = 0
def learning_face(self):
# 眉毛直線擬合數據緩衝
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：
# 一個布林值true/false，用來判斷讀取視訊是否成功/是否到視訊末尾
# 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_SIMPLEX
# 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()),(0,255))
# 計算人臉熱別框邊長
self.face_width = d.right() - d.left()
# 使用預測器得到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),2,255,0),-1,8)
# cv2.putText(im_rd,str(i),cv2.FONT_HERSHEY_SIMPLEX,0.5,# (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
line_brow_x.append(shape.part(j).x)
line_brow_y.append(shape.part(j).y)
# 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.bottom() + 20),0.8,255),4)
else:
cv2.putText(im_rd,"happy",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","nature",4)
# 標出人臉數
cv2.putText(im_rd,"Faces: " + str(len(faces)),(20,50),font,1,cv2.LINE_AA)
else:
# 沒有檢測到人臉
cv2.putText(im_rd,"No Face",cv2.LINE_AA)
# 新增說明
im_rd = cv2.putText(im_rd,"S: screenshot",400),cv2.LINE_AA)
im_rd = cv2.putText(im_rd,"Q: quit",450),cv2.LINE_AA)
# 按下s鍵截圖儲存
if (k == ord('s')):
self.cnt += 1
cv2.imwrite("screenshoot" + str(self.cnt) + ".jpg",im_rd)
# 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()
四、參考文章
https://blog.csdn.net/qq_35723619/article/details/83042202
到此這篇關於Python+Dlib+Opencv實現人臉採集並表情判別的文章就介紹到這了,更多相關Python Dlib Opencv 人臉採集內容請搜尋我們以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援我們！