訪問flyai.club，一鍵建立你的人工智慧專案
作者 | Andrew_qian
www.cnblogs.com/qsyll0916/p/8893790.html
一、介紹
我想做的是基於人臉識別的表情（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，並且通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，嵌入式裝置，手機和大型高效能運算環境。
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體還是挺有意思的。
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。
識別規則：
嘴巴張開距離佔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。
眉毛上揚，17-21 或者 22-26 號特徵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。
眯眼睛，人在開懷大笑的時候會不自覺的眯起眼睛，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，易於上手。
應用領域：微笑抓拍，捕捉瞬間的美好、緩解兒童自閉症、互動式遊戲開發。
由於人感情的複雜性，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檔案，比如（opencv_python?3.3.0+contrib?cp36?cp36m?win_amd64.whl）
然後在本地使用pip 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檔案，然後在根目錄下開啟cmd直接安裝即可。但是為了學習使用dlib中的各種python例項程式，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：
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
# 使用特徵提取器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徵預測器
predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")
# 圖片所在路徑
img = io.imread("2.jpg")
# 生成dlib的影象視窗
win = dlib.image_window()
win.clear_overlay()
win.set_image(img)
# 特徵提取器的例項化
dets = detector(img, 1)
print("人臉數：", len(dets))
for k, d in enumerate(dets):
print("第", k+1, "個人臉d的座標：",
"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))
然後例項化一個 shape_predictor 物件，使用dlib作者訓練好人臉特徵檢測器，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新增水印，內容就是特徵點的序號和位置。
# 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，然後銷燬視窗
cv2.imshow('face', img)
cv2.waitKey(0)
到此，68個特徵點的資訊就獲取到了，下面就需要跟根據這個68個特徵點的座標資訊，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。
下面是擷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，擬合出一個一次函式直線，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 # 眉毛高度佔比
brow_width[0]+= (frown_sum/5)/self.face_width # 眉毛距離佔比
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，匯入excel表格生成折線圖：
通過折線圖能很明顯的看出什麼引數可以使用，什麼引數的可信度不高，什麼引數在那個範圍內可以作為一個指標。
同樣的方法，計算人憤怒、驚訝、自然時的資料折線圖。
通過對多個不同表情資料的分析，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、實際執行效果：
識別之後：
完整專案程式碼：https://gitee.com/Andrew_Qian/face/blob/master/from_video.py
— End —