失眠网 > 利用人脸微笑数据集训练识别模型完成对人脸图片微笑识别

利用人脸微笑数据集训练识别模型完成对人脸图片微笑识别

时间：2018-07-26 15:03:13

一、数据集下载

1.链接：/s/1__x-U4JE_2hYbrvU2-7kIg

提取码：jybn

2.里面有文件，files是图片，labels.txt是标签文件

二、提取人脸并判别是否为笑脸

（一）数据处理

1.导入包

# 导入包import numpy as npimport cv2import dlibimport random#构建随机测试集和训练集from sklearn.svm import SVC #导入svmfrom sklearn.svm import LinearSVC #导入线性svmfrom sklearn.pipeline import Pipeline #导入python里的管道import osimport joblib#保存模型from sklearn.preprocessing import StandardScaler,PolynomialFeatures #导入多项式回归和标准化import tqdm

2.文件路径

folder_path='E:/BaiduNetdiskDownload/genki4k (1)/genki4k/'label='labels.txt'#标签文件pic_folder='files/'#图片文件路径

3.获得默认的人脸检测器和训练好的人脸68特征点检测器

#获得默认的人脸检测器和训练好的人脸68特征点检测器def get_detector_and_predicyor():#使用dlib自带的frontal_face_detector作为我们的特征提取器detector = dlib.get_frontal_face_detector()"""功能：人脸检测画框参数：PythonFunction和in Classesin classes表示采样次数，次数越多获取的人脸的次数越多，但更容易框错返回值是矩形的坐标，每个矩形为一个人脸（默认的人脸检测器）"""#返回训练好的人脸68特征点检测器predictor = dlib.shape_predictor('./shape_predictor_68_face_landmarks.dat')return detector,predictor#获取检测器detector,predictor=get_detector_and_predicyor()

4.截取面部的函数

def cut_face(img,detector,predictor): #截取面部img_gry=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)rects = detector(img_gry, 0) if len(rects)!=0:mouth_x=0mouth_y=0landmarks = np.matrix([[p.x, p.y] for p in predictor(img,rects[0]).parts()])for i in range(47,67):#嘴巴范围mouth_x+=landmarks[i][0,0]mouth_y+=landmarks[i][0,1]mouth_x=int(mouth_x/20)mouth_y=int(mouth_y/20)#裁剪图片img_cut=img_gry[mouth_y-20:mouth_y+20,mouth_x-20:mouth_x+20]return img_cutelse:return 0#检测不到人脸返回0

5.提取特征值

#提取特征值def get_feature(files_train,face,face_feature):for i in tqdm.tqdm(range(len(files_train))):img=cv2.imread(folder_path+pic_folder+files_train[i])cut_img=cut_face(img,detector,predictor)if type(cut_img)!=int:face.append(True)cut_img=cv2.resize(cut_img,(64,64))#padding:边界处理的paddingpadding=(8,8)winstride=(16,16)hogdescrip=pute(cut_img,winstride,padding).reshape((-1,))face_feature.append(hogdescrip)else:face.append(False)#没有检测到脸的face_feature.append(0)

6.去掉检测不到脸的图片的特征并返回特征数组和相应标签

def filtrate_face(face,face_feature,face_site): #去掉检测不到脸的图片的特征并返回特征数组和相应标签 face_features=[]#获取标签label_flag=[]with open(folder_path+label,'r') as f:lines=f.read().splitlines()#筛选出能检测到脸的，并收集对应的labelfor i in tqdm.tqdm(range(len(face_site))):if face[i]:#判断是否检测到脸#pop之后要删掉当前元素，后面的元素也要跟着前移，所以每次提取第一位就行了face_features.append(face_feature.pop(0))label_flag.append(int(lines[face_site[i]][0])) else:face_feature.pop(0)datax=np.float64(face_features)datay=np.array(label_flag)return datax,datay

7.多项式svm

def PolynomialSVC(degree,c=10):#多项式svmreturn Pipeline([# 将源数据映射到 3阶多项式("poly_features", PolynomialFeatures(degree=degree)),# 标准化("scaler", StandardScaler()),# SVC线性分类器("svm_clf", LinearSVC(C=10, loss="hinge", random_state=42,max_iter=10000))])

8.#svm高斯核

#svm高斯核def RBFKernelSVC(gamma=1.0):return Pipeline([('std_scaler',StandardScaler()),('svc',SVC(kernel='rbf',gamma=gamma))])

9.训练

def train(files_train,train_site):#训练'''files_train:训练文件名的集合train_site :训练文件在文件夹里的位置'''#是否检测到人脸train_face=[]#人脸的特征数组train_feature=[]#提取训练集的特征数组get_feature(files_train,train_face,train_feature)#筛选掉检测不到脸的特征数组train_x,train_y=filtrate_face(train_face,train_feature,train_site)svc=PolynomialSVC(degree=1)svc.fit(train_x,train_y)return svc#返回训练好的模型

10.预测，查看结果集

def test(files_test,test_site,svc):#预测，查看结果集'''files_train:训练文件名的集合train_site :训练文件在文件夹里的位置'''#是否检测到人脸test_face=[]#人脸的特征数组test_feature=[]#提取训练集的特征数组get_feature(files_test,test_face,test_feature)#筛选掉检测不到脸的特征数组test_x,test_y=filtrate_face(test_face,test_feature,test_site)pre_y=svc.predict(test_x)ac_rate=0for i in range(len(pre_y)):if(pre_y[i]==test_y[i]):ac_rate+=1ac=ac_rate/len(pre_y)*100print("准确率为"+str(ac)+"%")return ac

11.设置hog的参数

#设置hog的参数winsize=(64,64)blocksize=(32,32)blockstride=(16,16)cellsize=(8,8)nbin=9#定义hoghog=cv2.HOGDescriptor(winsize,blocksize,blockstride,cellsize,nbin)#获取文件夹里有哪些文件files=os.listdir(folder_path+pic_folder)

12.数据集中随机的9/10做为训练集，剩下的1/10做为测试集,进行十次（此步骤时间会有点长，多等一会儿）

ac=float(0)for j in range(10):site=[i for i in range(4000)]#训练所用的样本所在的位置train_site=random.sample(site,3600)#预测所用样本所在的位置test_site=[]for i in range(len(site)):if site[i] not in train_site:test_site.append(site[i])files_train=[]#训练集,占总数的十分之九for i in range(len(train_site)):files_train.append(files[train_site[i]])#测试集files_test=[]for i in range(len(test_site)):files_test.append(files[test_site[i]])svc=train(files_train,train_site)ac=ac+test(files_test,test_site,svc)save_path='E:/BaiduNetdiskDownload/genki4k (1)/genki4k'+str(j)+'(hog).pkl'joblib.dump(svc,save_path)ac=ac/10print("平均准确率为"+str(ac)+"%")

检测结果：

并且会生成以下文件：

13.检测函数

def test1(files_test,test_site,svc):#预测，查看结果集'''files_train:训练文件名的集合train_site :训练文件在文件夹里的位置'''#是否检测到人脸test_face=[]#人脸的特征数组test_feature=[]#提取训练集的特征数组get_feature(files_test,test_face,test_feature)#筛选掉检测不到脸的特征数组test_x,test_y=filtrate_face(test_face,test_feature,test_site)pre_y=svc.predict(test_x)tp=0tn=0for i in range(len(pre_y)):if pre_y[i]==test_y[i] and pre_y[i]==1:tp+=1elif pre_y[i]==test_y[i] and pre_y[i]==0:tn+=1f1=2*tp/(tp+len(pre_y)-tn)print(f1)

svc7=joblib.load('E:/BaiduNetdiskDownload/genki4k (1)/genki4k9(hog).pkl')site=[i for i in range(4000)]#训练所用的样本所在的位置train_site=random.sample(site,3600)#预测所用样本所在的位置test_site=[]for i in range(len(site)):if site[i] not in train_site:test_site.append(site[i])#测试集files_test=[]for i in range(len(test_site)):files_test.append(files[test_site[i]])test1(files_test,test_site,svc7)

14.笑脸检测函数

#笑脸检测函数def smile_detector(img,svc):cut_img=cut_face(img,detector,predictor)a=[]if type(cut_img)!=int:cut_img=cv2.resize(cut_img,(64,64))#padding:边界处理的paddingpadding=(8,8)winstride=(16,16)hogdescrip=pute(cut_img,winstride,padding).reshape((-1,))a.append(hogdescrip)result=svc.predict(a)a=np.array(a)return result[0]else :return 2

前面的都做完，可以开始测试了！

（二）测试

1.图片检测

##图片检测pic_path='./he.jpeg'img=cv2.imread(pic_path)result=smile_detector(img,svc7)if result==1:img=cv2.putText(img,'smile',(21,50),cv2.FONT_HERSHEY_COMPLEX,2.0,(0,255,0),1)elif result==0:img=cv2.putText(img,'no smile',(21,50),cv2.FONT_HERSHEY_COMPLEX,2.0,(0,255,0),1)else:img=cv2.putText(img,'no face',(21,50),cv2.FONT_HERSHEY_COMPLEX,2.0,(0,255,0),1)cv2.imshow('video', img)cv2.waitKey(0)

2.结果

三、视频识别并保存图片

1.使用前面的步骤

2.将图片检测的代码换成下面的代码

camera = cv2.VideoCapture(0)#打开摄像头ok=Trueflag=0# 打开摄像头参数为输入流，可以为摄像头或视频文件while ok:ok,img = camera.read()# 转换成灰度图像result=smile_detector(img,svc7)if result==1:img=cv2.putText(img,'smile',(21,50),cv2.FONT_HERSHEY_COMPLEX,2.0,(0,255,0),1)elif result==0:img=cv2.putText(img,'no smile',(21,50),cv2.FONT_HERSHEY_COMPLEX,2.0,(0,255,0),1)else:img=cv2.putText(img,'no face',(21,50),cv2.FONT_HERSHEY_COMPLEX,2.0,(0,255,0),1)cv2.imshow('video', img)k = cv2.waitKey(1)if k == 27: # press 'ESC' to quitbreakelif k==115:pic_save_path='E:/BaiduNetdiskDownload/genki4k (1)/result/'+str(flag)+'.jpg'flag+=1cv2.imwrite(pic_save_path,img)camera.release()cv2.destroyAllWindows()

3.按下s开始保存图片，点击esc退出视频

4.例如（12.jpg）：