python3+dlib實現人臉辨識與情緒分析

本文透過具體程式碼不步驟給大家詳細講述了python3 dlib實現人臉辨識以及情緒分析的方法，有需要的朋友參考下。

一、介紹

我想做的是基於人臉辨識的表情（情緒）分析。看到網路上也是有很多的開源程式庫提供使用，為開發提供了很大的方便。我選擇目前用的比較多的dlib庫進行人臉辨識與特徵標定。使用python也縮短了開發週期。

官網對於dlib的介紹是：Dlib包含廣泛的機器學習演算法。所有的設計都是高度模組化的，快速執行，並且透過一個乾淨而現代的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，手機和大型高效能運算環境。

雖然應用程式都比較高大上，但是自己在PC上做個情緒分析的小軟體還挺有趣的。

依照自己的想法與思路設計辨識方式。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巴的張開比例，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。但由於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。所以識別效率並不是很高。

辨識規則：

1、嘴巴張開距離佔臉部辨識框寬度的比例越大，表示情緒越激動，可能是非常開心，也可能是極度憤怒。

2、眉毛上揚，17-21 或 22-26 號特徵點距離臉部辨識框頂部與辨識框高度的比值越小，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，易於上手。

應用領域：微笑抓拍，捕捉瞬間的美麗、緩解兒童自閉症、互動遊戲開發。

由於人感情的複雜性，這些表情確實不能完全完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、開發環境建置：

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，例如（opencv_python?3.3.0 contrib?cp36?cp36m?win_amd64.whl）
然後在本地使用pipip install 安裝。注意檔案位置下安裝(如：C:\download\xxx.whl)

3、安裝dlib（whl方式安裝）：

在這裡下載dlib的各種版本的whl文件，然後在根目錄下打開cmd直接安裝即可。

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

直接存取dlib官網即可下載：http://dlib.net/ml.html

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

4、如果想要使用人臉模型特徵標定的話，還需要一個人臉面部形狀預測器，這個可以透過自己的照片進行訓練，也可以使用dlib作者給出來的一個訓練好的預測器：         

點選下載：http://dlib.net/files/shape_predictor_68_face_landmarks.dat.bz2

三、實作

#四、具體步驟

首先利用dlib進行人臉辨識：)

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))

然後實例化一個 shape_predictor 對象，使用dlib作者訓練好人臉特徵偵測器，進行人臉的特徵點標定。

標定的時候使用opencv的circle方法，在特徵點的座標上面加上浮水印，內容就是特徵點的序號和位置。

 # 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)

到此，68個特徵點的信息就獲取到了，下面就需要跟根據這個68個特徵點的坐標信息，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，由於人離相機距離的遠近，導致人臉辨識框的大小不一，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資料處理方法，對左邊眉毛上面的5個特徵點進行線性擬合，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  # 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.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    # 眉毛距离占比

          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

我计算了25个人脸的开心表情的嘴巴张开比例、嘴巴宽度、眼睛张开程度、眉毛倾斜程度，导入excel表格生成折线图：

通过折线图能很明显的看出什么参数可以使用，什么参数的可信度不高，什么参数在那个范围内可以作为一个指标。

同样的方法，计算人愤怒、惊讶、自然时的数据折线图。

通过对多个不同表情数据的分析，得出每个指标的参考值，可以写出简单的表情分类标准：

# 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)

五、实际运行效果：

识别之后：

以上是python3+dlib實現人臉辨識與情緒分析的詳細內容。更多資訊請關注PHP中文網其他相關文章！