Python3+Dlib实现简单人脸识别案例

Python3+Dlib实现简单人脸识别案例

Python3+Dlib实现简单人脸识别案例

写在前边

很早很早之前，当我还是一个傻了吧唧的专科生的时候，我就听说过人脸识别，听说过算法，听说过人工智能，并且也出生牛犊不怕虎般的学习过TensorFlow，结果嘞，被虎啃得连渣都不剩！从此再也不敢接触算法和人工智能了、、、　　但是！BUT！在自己经历的事情多了之后，在受打击到习以为常了之后， 在努力半天仍旧一事无成之后，你就会悟出一个道理  ——  老子从未成功过，又怕哪门子失败！　　所以，对数学一窍不通的我，毅然决然的再次走上了一条不归路 ......—— 来自一只一事无成的小菜鸡

项目介绍

我想做的是一个类似于人脸识别的东西。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。

尽管解释都很高大上，但是呢，对于我这种小菜鸡而言，利用他的九牛一毛做一些小的demo也很不错。

开发环境的搭建

因为我的操作系统是Linux的，所以我使用Linux来记录，windows需要安装的东西都是一样的，只不过有个别包安装起来有点麻烦，不过不是问题。

1、安装 Python 。

如果是Linux系统自带Python2和Python3，可以根据自己的需要设置Python默认版本。

2、安装 opencv。

​

3、安装 dlib。

​

4、安装 python-skimage。

​

5、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。

​​cv2import dlibfrom skimage import io# 使用特征提取器get_frontal_face_detectordetector = 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("第", 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)) # 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)

利用摄像头实现人脸识别情绪检测

#!Anaconda/anaconda/python# coding: utf-8"""从视屏中识别人脸，并实时标出面部特征点"""import dlib # 人脸识别的库dlibimport numpy as np # 数据处理的库numpyimport cv2 # 图像处理的库OpenCvclass 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点模型，使用作者训练好的特征预测器 self.predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat") # 建cv2摄像头对象，这里使用电脑自带摄像头，如果接了外部摄像头，则自动切换到外部摄像头 self.cap = cv2.VideoCapture(0) # 设置视频参数，propId设置的视频参数，value设置的参数值 self.cap.set(3, 480) # 截图screenshoot的计数器 self.cnt = 0 def learning_face(self): # 眉毛直线拟合数据缓冲 line_brow_x = [] line_brow_y = [] # cap.isOpened（） 返回true/false 检查初始化是否成功 while (self.cap.isOpened()): # cap.read() # 返回两个值： # 一个布尔值true/false，用来判断读取视频是否成功/是否到视频末尾 # 图像对象，图像的三维矩阵 flag, im_rd = self.cap.read() # 每帧数据延时1ms，延时为0读取的是静态帧 k = cv2.waitKey(1) # 取灰度 img_gray = cv2.cvtColor(im_rd, cv2.COLOR_RGB2GRAY) # 使用人脸检测器检测每一帧图像中的人脸。并返回人脸数rects faces = self.detector(img_gray, 0) # 待会要显示在屏幕上的字体 font = cv2.FONT_HERSHEY_SIMPLEX # 如果检测到人脸 if (len(faces) != 0): # 对每个人脸都标出68个特征点 for i in range(len(faces)): # enumerate方法同时返回数据对象的索引和数据，k为索引，d为faces中的对象 for k, d in enumerate(faces): # 用红色矩形框出人脸 cv2.rectangle(im_rd, (d.left(), d.top()), (d.right(), d.bottom()), (0, 0, 255)) # 计算人脸热别框边长 self.face_width = d.right() - d.left() # 使用预测器得到68点数据的坐标 shape = self.predictor(im_rd, d) # 圆圈显示每个特征点 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点的位置关系来作为表情识别的依据 mouth_width = (shape.part(54).x - shape.part(48).x) / self.face_width # 嘴巴咧开程度 mouth_higth = (shape.part(66).y - shape.part(62).y) / self.face_width # 嘴巴张开程度 # print("嘴巴宽度与识别框宽度之比：",mouth_width_arv) # print("嘴巴高度与识别框高度之比：",mouth_higth_arv) # 通过两个眉毛上的10个特征点，分析挑眉程度和皱眉程度 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.brow_k, self.brow_d = self.fit_slr(line_brow_x, line_brow_y) # 计算眉毛的倾斜程度 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 brow_hight = (brow_sum / 10) / self.face_width # 眉毛高度占比 brow_width = (frown_sum / 5) / self.face_width # 眉毛距离占比 # print("眉毛高度与识别框高度之比：",round(brow_arv/self.face_width,3)) # print("眉毛间距与识别框高度之比：",round(frown_arv/self.face_width,3)) # 眼睛睁开程度 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("眼睛睁开距离与识别框高度之比：",round(eye_open/self.face_width,3)) # 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) # 标出人脸数 cv2.putText(im_rd, "Faces: " + str(len(faces)), (20, 50), font, 1, (0, 0, 255), 1, cv2.LINE_AA) else: # 没有检测到人脸 cv2.putText(im_rd, "No Face", (20, 50), font, 1, (0, 0, 255), 1, cv2.LINE_AA) # 添加说明 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键截图保存 if (k == ord('s')): self.cnt += 1 cv2.imwrite("screenshoot" + str(self.cnt) + ".jpg", im_rd) # 按下q键退出 if (k == ord('q')): break # 窗口显示 cv2.imshow("camera", im_rd) # 释放摄像头 self.cap.release() # 删除建立的窗口 cv2.destroyAllWindows()if __name__ == "__main__": my_face = face_emotion() my_face.learning_face()

写在后面

OK，我承认，这不是我写的，我很菜，写不出来，站在巨人的脚指甲盖上做出来的，好的，其实是把人家代码拷贝下来自己改的，也没改多少。

​

【重要说明】本文为本人的学习记录，论点和观点仅代表个人而不代表当时技术的真理，目的是自我学习和有幸成为可以向他人分享的经验，因此有错误会虚心接受改正，但不代表此刻博文无误！

​

【Gitee地址】秦浩铖：​​https://gitee.com/wjw1014​​

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。