python3+dlib實現人臉識別和情緒分析

來源：懂視網責編：小采時間：2020-11-27 14:12:49

python3+dlib實現人臉識別和情緒分析

python3+dlib實現人臉識別和情緒分析:本文通過具體代碼不步驟給大家詳細講述了python3+dlib實現人臉識別以及情緒分析的方法，有需要的朋友參考下。一、介紹我想做的是基于人臉識別的表情（情緒）分析。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dli

推薦度：

點擊下載本文 文檔為doc格式

導讀python3+dlib實現人臉識別和情緒分析:本文通過具體代碼不步驟給大家詳細講述了python3+dlib實現人臉識別以及情緒分析的方法，有需要的朋友參考下。一、介紹我想做的是基于人臉識別的表情（情緒）分析。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dli

本文通過具體代碼不步驟給大家詳細講述了python3+dlib實現人臉識別以及情緒分析的方法，有需要的朋友參考下。

一、介紹

我想做的是基于人臉識別的表情（情緒）分析。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。

官網對于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，并且通過一個干凈而現代的C ++ API，使用起來非常簡單。它用于各種應用，包括機器人技術，嵌入式設備，手機和大型高性能計算環境。

雖然應用都比較高大上，但是自己在PC上做個情緒分析的小軟件還是挺有意思的。

按照自己的想法與思路設計識別方式。目前也比較火的keras好像就是根據嘴型的變化作為情緒分析的一個指標。

而我的想法是利用嘴的張開比例，眼睛的睜開程度，眉毛的傾斜角度作為情緒分析的三個指標。但是由于人與人長相的差異較大，五官的也是千差萬別，再加上我的計算方法也比較簡單。所以識別效率并不是很高。

識別規則：

1、嘴巴張開距離占面部識別框寬度的比例越大，說明情緒越激動，可能是非常開心，也可能是極度憤怒。

2、眉毛上揚，17-21 或者 22-26 號特征點距離面部識別框頂部與識別框高度的比值越小，說明眉毛上揚越厲害，可表示驚訝、開心。眉毛的傾斜角度，開心時眉毛一般是上揚，憤怒時皺眉，同時眉毛下壓的比較厲害。

3、瞇眼睛，人在開懷大笑的時候會不自覺的瞇起眼睛，憤怒或者驚訝的時候會瞪大眼睛。

系統缺點：不能捕捉細微表情的變化，只能大致的判斷出人的情緒，開心、憤怒、驚訝、自然。

系統優點：結構簡單，易于上手。

應用領域：微笑抓拍，捕捉瞬間的美好、緩解兒童自閉癥、交互式游戲開發。

由于人感情的復雜性，這些表情確實不能完完全全的代表一個人內心深處的情緒波動，如要提高判斷的準確性，則需要心率檢測、語音處理等綜合評價。

二、開發環境搭建：

1、安裝VS2015，因為最新版的dlib-19.10需要這個版本的vscode

2、安裝opencv（whl方式安裝）：

從pythonlibs下載需要的版本whl文件，比如（opencv_python?3.3.0+contrib?cp36?cp36m?win_amd64.whl）
然后在本地使用pip install 安裝。注意文件位置下安裝(如：C:downloadxxx.whl)

3、安裝dlib（whl方式安裝）：

在這里下載dlib的各種版本的whl文件，然后在根目錄下打開cmd直接安裝即可。

但是為了學習使用dlib中的各種python實例程序，還是需要下載一個dlib的壓縮包。

直接訪問dlib官網即可下載：http://dlib.net/ml.html

dlib各種版本的whl文件：https://pypi.python.org/simple/dlib/

4、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，也可以使用dlib作者給出的一個訓練好的預測器：

點擊下載：http://dlib.net/files/shape_predictor_68_face_landmarks.dat.bz2

三、實施思路

四、具體步驟

首先是利用dlib進行人臉識別：)

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))

然后實例化一個 shape_predictor 對象，使用dlib作者訓練好人臉特征檢測器，進行人臉的特征點標定。

標定的時候使用opencv的circle方法，在特征點的坐標上面添加水印，內容就是特征點的序號和位置。

 # 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)

到此，68個特征點的信息就獲取到了，下面就需要跟根據這個68個特征點的坐標信息，進行綜合計算，作為每個表情的判斷指標。

根據上面說到的我的判斷指標，先計算嘴巴的張開比例，由于人離攝像頭距離的遠近，導致人臉識別框的大小不一，故選擇比例來作為判斷指標。

在選擇指標的標準數值之前，先對多個開心的人臉照片進行分析。計算開心時的嘴巴張卡比例的平均。

下面是截取對人眉毛的數據處理方法，對左邊眉毛上面的5個特征點進行線性擬合，擬合出一個一次函數直線，用擬合直線的斜率近似代表眉毛的傾斜程度。

# 眉毛
 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.excel_brow_hight.append(round((brow_sum/10)/self.face_width,3))
 self.excel_brow_width.append(round((frown_sum/5)/self.face_width,3))
 brow_hight[0]+= (brow_sum/10)/self.face_width # 眉毛高度占比
 brow_width[0]+= (frown_sum/5)/self.face_width # 眉毛距離占比

 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

我計算了25個人臉的開心表情的嘴巴張開比例、嘴巴寬度、眼睛張開程度、眉毛傾斜程度，導入excel表格生成折線圖：

通過折線圖能很明顯的看出什么參數可以使用，什么參數的可信度不高，什么參數在那個范圍內可以作為一個指標。

同樣的方法，計算人憤怒、驚訝、自然時的數據折線圖。

通過對多個不同表情數據的分析，得出每個指標的參考值，可以寫出簡單的表情分類標準：

# 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)

五、實際運行效果：