人脸面部情绪识别（一）

人脸面部情绪识别（二）

人脸面部情绪识别 age&gender（三）

根据人脸预测年龄性别和情绪代码实现（c++ + caffe）（四）

这里写代码片
#!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dlib
import numpy as np              #数据处理的库numpy
import cv2                      #图像处理的库OpenCvclass face_emotion():def __init__(self):# 使用特征提取器get_frontal_face_detectorself.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("D:/ActiveX1.9/model/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 = 0def 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rectsfaces = 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).xline_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+=1cv2.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()

效果图
虽然有效果出来，但是效果不佳，思路注释很清楚了，之后继续研究其他相关方法

人脸面部情绪识别（一）相关推荐

【百度大脑新品体验】人脸面部动作识别
[百度大脑新品体验]人脸面部动作识别作者:busyboxs 最近在尝试做一个类似于 Facedance challenge 的应用,这个应用需要识别人脸五官的动作.目前可能的解决方法就是通过对关键点 ...
面部情绪识别基础知识积累——背景
1. MIT 媒体实验室的罗莎琳德·皮卡德(Rosalind W. Picard)于 1995 年提出了情感计算(Affective Computing)的概念,并于 1997 年正式出版了<情 ...
python图像人类检测_Python 超简单实现人类面部情绪的识别
还记得我们之前写过一篇文章<手把手教你人脸识别自动开机>吗?里面用OpenCV对人脸进行简单的识别,让计算机训练认识到某个特定人物后识别对象.今天来做点高级的,识别出人脸的情绪. 本文分为 ...
python识别人脸多种属性_9种人脸情绪识别、22类人脸属性、 15类皮肤质量识别，竹间智能要让情感机器人更理解人...
撰文 | 邱陆陆编辑 | 藤子「我们希望做情感机器人,希望透过机器更智能地理解一个人.」随着计算能力的提升.神经网络的步步深入,配以图像识别.语音识别的人工智能已经逐渐变得能够「听见」.「看见」. ...
❀论文篇 ❀ 2010-2022，情绪识别（EmotionRecognition）论文
情绪识别目前我所了解的有,基于人脸的情绪识别,基于声音的情绪识别,基于身体特征的情绪识别,基于脑电波的情绪识别,基于时空的情绪识别等. 这篇博客主要是人脸表情/情绪识别(Face expression ...
对于《Self-Cure Net抑制大规模人脸情绪识别的不确定性》论文阅读总结
对于<Self-Cure Net抑制大规模人脸情绪识别的不确定性>论文及代码阅读总结论文核心概括核心内容一.注意力机制二.对样本的重新排名机制三.ResNet18 总结参考资料 ...
【人脸表情识别】情绪识别相关会议、比赛汇总（2018-2020）
前面专栏中,我们介绍了有关基于图片/视频的人脸表情识别的相关内容,也了解了通过回归的方式来理解表情的方式--基于连续模型的人脸表情识别.在专栏的最后一篇文章中,我们将分享计算机视觉领域中围绕情绪识别主 ...
人脸情绪识别系统第一次迭代总结
设想和目标: 1. 我们的软件要解决什么问题?是否定义得很清楚?是否对典型用户和典型场景有清晰的描述? 问题定义:目前有一种情感维度理论,我们要用机器学习的方式给出人脸的维度值. 典型场景1:用户通过 ...
课堂考试作弊检测系统，情绪识别、表情识别和人脸识别结合
向AI转型的程序员都关注了这个号???????????? 机器学习AI算法工程公众号:datayx 智慧教室课堂专注度及考试作弊系统.课堂动态点名,情绪识别.表情识别和人脸识别结合课堂专注度 ...
人脸情绪识别挑战赛图像分类 pytorch
"这篇文章是对202 科大讯飞人脸情绪识别挑战赛的说明与总结." 比赛链接 http://challenge.xfyun.cn/topic/info?type=facial-emo ...

人脸面部情绪识别（一）

人脸面部情绪识别（一）

人脸面部情绪识别（二）

人脸面部情绪识别 age&gender（三）

根据人脸预测年龄性别和情绪代码实现（c++ + caffe）（四）

人脸面部情绪识别（一）相关推荐

最新文章

热门文章

人脸面部情绪识别（一）

人脸面部情绪识别 （一）

人脸面部情绪识别（二）

人脸面部情绪识别 age&gender（三）

根据人脸预测年龄性别和情绪代码实现 （c++ + caffe）（四）

人脸面部情绪识别（一）相关推荐

最新文章

热门文章

人脸面部情绪识别（一）

根据人脸预测年龄性别和情绪代码实现（c++ + caffe）（四）