基于 Python 的车载人脸情绪检测报警系统运用人脸情绪识别

转载

技术博客达人 2024-08-06 22:56:49

文章标签 机器学习 python 图像处理数据灰度 文章分类 Python 后端开发

一、主要的流程

基于 Python 的车载人脸情绪检测报警系统运用人脸情绪识别_灰度

二、主要步骤：

1.我们可以通过调用dlib这个库使用特征提取器get_frontal_face_detector
以及使用训练好的特征预测器从而得到dlib 的68点模型，为我们的情绪识别提供了很大帮助

# 使用特征提取器get_frontal_face_detector
    self.detector = dlib.get_frontal_face_detector()
    # dlib 的68点模型，使用训练好的特征预测器
    self.predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")

首先建cv2摄像头对象之后进行分帧及灰度处理

之所以进行灰度处理是为了减小图像原始数据量,便于后续处理时计算量更少,因为情绪识别的图像处理一般不需要对彩色图像的RGB三个分量都进行处理

之后利用dlib进行检测人脸并通过预测器得到68点数据的坐标

# 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,cv2.CAP_DSHOW)
# 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)

# cap.isOpened（） 返回true/false 检查初始化是否成功
while (True):

     # 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(30)
     # 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
             # 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))
             # print(d.top())
             # 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)

3.到1971年，这两个人研究了 6 种基本表情 (即高兴、悲伤、惊讶、恐惧、愤怒和厌恶 ) ,并系统地建立了上千幅不同的人脸表情图象库。

通过这个表格我们可以看到不同的表情对应了脸部不同的运动特征。如惊讶时一般嘴巴张开眉毛抬高眼睛睁大

基于 Python 的车载人脸情绪检测报警系统运用人脸情绪识别_图像处理_02

基于 Python 的车载人脸情绪检测报警系统运用人脸情绪识别_python_03

基于 Python 的车载人脸情绪检测报警系统运用人脸情绪识别_机器学习_04

首先来看一下对于眼睛睁开程度的测定，通过41 37 40 38 等坐标的运算我们可以得到眼睛睁开距离与识别框高度之比，我们也可以得到以下参数

mouse_width  # 嘴巴宽度与识别框宽度之比
mouse_height  # 嘴巴高度与识别框高度之比
k  # 眉毛的倾斜方向
eyebrow_height  # 眉毛高度与识别框高度之比
eyebrow_spacing  # 眉毛间距与识别框高度之比
eye  # 眼睛睁开距离与识别框高度之比
eye_long   # 眼睛长度
mouth_higth # 嘴巴外圈张开mouth_xia  # 嘴巴下

我们计算了CK+这个人脸表情的数据集里开心表情的嘴巴张开比例、嘴巴宽度、眉毛倾斜程度等特征，并导入excel表格生成折线图：

基于 Python 的车载人脸情绪检测报警系统运用人脸情绪识别_机器学习_05

通过折线图可以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。

我们分析了并结合平均值极值方差稳定性等各个方面以及不同表情之间主要突出特征的主成分分析，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。

得到了以下代码

if (eye_long <= 0.02 and 0.13 0.21 and mouth_higth< 0.04 
and 0 <= mouth_xia_ <= 0.1 and 0.350.43 and 
eye_hight <= 0.08):
     cv2.putText(im_rd, "angry", (d.left(), d.bottom() + 20),  cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 0, 255), 2, 4)
  elif 0.03 <= mouth_higth <= 0.3 and (0.3 <= mouth_width <= 0.55) 
and (0.08 <= mouth_xia_ <= 0.2 and 0.20.3 and  0.10.22):
     cv2.putText(im_rd, "happy", (d.left(), d.bottom() + 20), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 0, 255), 2, 4)
elif 0.04 0.11 and 0.15 <= mouth_higth_w and 0.20.4 
and 00.2 and 0.040.2 and 0.1         # or ((mouth_higth <= 0.1) and (0.12 < eye_hight)):
     cv2.putText(im_rd, "surprise", (d.left(), d.bottom() + 20), cv2.FONT_HERSHEY_SIMPLEX, 0.8,
                 (0, 0, 255), 2, 4)


elif ((0.03 <= eye_hight <= 0.08) and 0.27 <= brow_k <= 0.35 and mouth_xia_ < 0.1 and 0.050.15 and 0.240.41):
         # or (0.3 <= mouth_width and eye_hight <= 0.03):

     cv2.putText(im_rd, "sadness", (d.left(), d.bottom() + 20), cv2.FONT_HERSHEY_SIMPLEX, 0.8,
                 (0, 0, 255), 2, 4)
elif mouth_xia_<0 and 0.250.4 and 0.040.1 and 0.3
    cv2.putText(im_rd, "nature", (d.left(), d.bottom() + 20), cv2.FONT_HERSHEY_SIMPLEX, 0.8,
                 (0, 0, 255), 2, 4)

虽然简单的表情可以识别出来，但是一些复杂的表情识别准确率较低，所以我们决定暂时放弃了对这种方法的探索

于是我们又寻求了另一种分类方式Knn

KNN的全称是K Nearest Neighbors，意思是K个最近的邻居，从这个名字我们就能看出一些KNN算法的蛛丝马迹。K个最近邻居，毫无疑问，K的取值肯定是至关重要的。那么最近的邻居又是怎么回事呢？其实，KNN的原理就是当预测一个新的值x的时候，根据它距离最近的K个点是什么类别来判断x属于哪个类别。听起来有点迷，我们还是来看看图吧。

基于 Python 的车载人脸情绪检测报警系统运用人脸情绪识别_图像处理_06