Python3+Dlib實現簡單人臉識別案例
寫在前邊
很早很早之前，當我還是一個傻了吧唧的專科生的時候，我就聽說過人臉識別，聽說過算法，聽說過人工智能，並且也出生牛犢不怕虎般的學習過TensorFlow，結果嘞，被虎啃得連渣都不剩！從此再也不敢接觸算法和人工智能了、、、
但是！BUT！在自己經歷的事情多了之后，在受打擊到習以為常了之后， 在努力半天仍舊一事無成之后，你就會悟出一個道理 —— 老子從未成功過，又怕哪門子失敗！
所以，對數學一竅不通的我，毅然決然的再次走上了一條不歸路 ......
—— 來自一只一事無成的小菜雞
項目介紹
我想做的是一個類似於人臉識別的東西。看到網上也是有很多的開源庫提供使用，為開發提供了很大的方便。我選擇目前用的比較多的dlib庫進行人臉識別與特征標定。使用python也縮短了開發周期。
官網對於dlib的介紹是：Dlib包含廣泛的機器學習算法。所有的設計都是高度模塊化的，快速執行，並且通過一個干凈而現代的C ++ API，使用起來非常簡單。它用於各種應用，包括機器人技術，嵌入式設備，手機和大型高性能計算環境。
盡管解釋都很高大上，但是呢，對於我這種小菜雞而言，利用他的九牛一毛做一些小的demo也很不錯。
開發環境的搭建
因為我的操作系統是Linux的，所以我使用Linux來記錄，windows需要安裝的東西都是一樣的，只不過有個別包安裝起來有點麻煩，不過不是問題。
1、安裝 Python 。
如果是Linux系統自帶Python2和Python3，可以根據自己的需要設置Python默認版本。
2、安裝 opencv。
https://www.cnblogs.com/wjw1014/p/10255126.html
3、安裝 dlib。
https://www.cnblogs.com/wjw1014/p/10255126.html
4、安裝 python-skimage。
https://www.cnblogs.com/wjw1014/p/10287081.html
5、如果想要使用人臉模型特征標定的話，還需要一個人臉面部形狀預測器。
這個可以通過自己的照片進行訓練，也可以從網上下載一些大神訓練好的，點擊下載：
http://dlib.net/files/shape_predictor_68_face_landmarks.dat.bz2
實現圖片的人臉檢測
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點模型，使用作者訓練好的特征預測器
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)
# 特征提取器的實例化
dets = detector(img, 1)
print("人臉數：", len(dets))
for k, d in enumerate(dets):
print("第", k + 1, "個人臉d的坐標：",
"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))
# 利用預測器預測
shape = predictor(img, d)
# 標出68個點的位置
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)
利用攝像頭實現人臉識別情緒檢測
#!Anaconda/anaconda/python
# coding: utf-8
"""
從視屏中識別人臉，並實時標出面部特征點
"""
import dlib # 人臉識別的庫dlib
import numpy as np # 數據處理的庫numpy
import cv2 # 圖像處理的庫OpenCv
class face_emotion():
def __init__(self):
# 使用特征提取器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征預測器
self.predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")
# 建cv2攝像頭對象，這里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)
# 設置視頻參數，propId設置的視頻參數，value設置的參數值
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沖
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：
# 一個布爾值true/false，用來判斷讀取視頻是否成功/是否到視頻末尾
# 圖像對象，圖像的三維矩陣
flag, im_rd = self.cap.read()
# 每幀數據延時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圖像中的人臉。並返回人臉數rects
faces = self.detector(img_gray, 0)
# 待會要顯示在屏幕上的字體
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個特征點
for i in range(len(faces)):
# enumerate方法同時返回數據對象的索引和數據，k為索引，d為faces中的對象
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()
# 使用預測器得到68點數據的坐標
shape = self.predictor(im_rd, d)
# 圓圈顯示每個特征點
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_SIMPLEX, 0.5,
# (255, 255, 255))
# 分析任意n點的位置關系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個特征點，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 # 眉毛高度占比
brow_width = (frown_sum / 5) / self.face_width # 眉毛距離占比
# 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_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)
# 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)
# 添加說明
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鍵截圖保存
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
# 窗口顯示
cv2.imshow("camera", im_rd)
# 釋放攝像頭
self.cap.release()
# 刪除建立的窗口
cv2.destroyAllWindows()
if __name__ == "__main__":
my_face = face_emotion()
my_face.learning_face()
寫在后面
OK，我承認，這不是我寫的，我很菜，寫不出來，站在巨人的腳指甲蓋上做出來的，好的，其實是把人家代碼拷貝下來自己改的，也沒改多少。