一、dlib以及opencv-python庫安裝

介于我使用的是jupyter notebook，所以在安裝dlib和opencv-python時是在

這個命令行安裝的

dlib安裝方法：

1.若可以，直接使用上圖所示命令行輸入以下命令：

pip install cmake

pip install boost

pip install dlib

若安裝了visual studio2019應該就可以直接pip install dlib，至少我是這樣

由于很多在執行第三句時都會報錯，所以這里提供第二種辦法

2.去dlib官網：http://dlib.net/ 或者 https://github.com/davisking/dlib 下載壓縮包

下載完成后，解壓縮

在安裝dlib前需要安裝Boost和Cmake，dlib19之后你需要安裝vs2015以上的IDE，本人是安裝的vs2019，(建議先安裝好VS之后再安裝Cmake和 boost)

Cmake安裝

我下的是

直接安裝之后，配置環境變量

Boost下載

安裝boost：下載地址：http://www.boost.org/

如果vs安裝的是2015以上的版本，可以直接進行下一步，最好安裝最新版本，不然會找不到b2命令

下載之后將其解壓縮，進入boost_1_73_0文件夾中，找到bootstrap.bat批處理文件，雙擊運行，等待運行完成后(命令行自動消失)會生成兩個文件b2.exe和bjam.exe

然后將這兩個文件復制到boost_1_73_0根文件夾下：

同樣開啟一個命令行，定位到這個文件夾，運行命令：

b2 install

這個安裝需要一段時間，耐心等候。

利用b2編譯庫文件：

b2 -a –with-python address-model=64 toolset=msvc runtime-link=static

之前你cmake下載的64位這里(address-model)寫64，如果是32位的就把之前的64改成32

安裝完成后配置boost環境變量

安裝dlib

進入你的dlib解壓路徑，輸入python setup.py install

成功之后會在文件夾中看見dlib和dlib.egg-info ，將這兩個文件夾復制到你的python安裝的目錄下的Lib文件中：

—>例如我的python環境為python2.7，

—>所以將其放在python2-7文件夾的Python2-7\Lib\site-packages中

—>這時，就已經完成了dlib的配置

opencv-python安裝方法

在Anaconda Prompt下輸入以下命令

pip install opencv-python

但如果一直失敗，建議在Anaconda Prompt下輸入以下命令

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-python

二、dlib的68點模型

dlib的68點模型，使用網絡上大神訓練好的特征預測器，用來進行python代碼人臉識別的特征預測。

三、Python實現人臉識別&表情判別

"""

從視屏中識別人臉，并實時標出面部特征點

"""

import sys

import dlib # 人臉識別的庫dlib

import numpy as np # 數據處理的庫numpy

import cv2 # 圖像處理的庫OpenCv

class face_emotion():

def __init__(self):

# 使用特征提取器get_frontal_face_detector

self.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

self.predictor = dlib.shape_predictor("F:/face.dat")

# 建cv2攝像頭對象，這里使用電腦自帶攝像頭，如果接了外部攝像頭，則自動切換到外部攝像頭

self.cap = cv2.VideoCapture(0)

# 設置視頻參數，propId設置的視頻參數，value設置的參數值

self.cap.set(3, 480)

# 截圖screenshoot的計數器

self.cnt = 0

def learning_face(self):

# 眉毛直線擬合數據緩沖

line_brow_x = []

line_brow_y = []

# cap.isOpened() 返回true/false 檢查初始化是否成功

while (self.cap.isOpened()):

# cap.read()

# 返回兩個值：

# 一個布爾值true/false，用來判斷讀取視頻是否成功/是否到視頻末尾

# 圖像對象，圖像的三維矩陣

flag, im_rd = self.cap.read()

# 每幀數據延時1ms，延時為0讀取的是靜態幀

k = cv2.waitKey(1)

# 取灰度

img_gray = cv2.cvtColor(im_rd, cv2.COLOR_RGB2GRAY)

# 使用人臉檢測器檢測每一幀圖像中的人臉。并返回人臉數rects

faces = self.detector(img_gray, 0)

# 待會要顯示在屏幕上的字體

font = cv2.FONT_HERSHEY_SIMPLEX

# 如果檢測到人臉

if (len(faces) != 0):

# 對每個人臉都標出68個特征點

for i in range(len(faces)):

# enumerate方法同時返回數據對象的索引和數據，k為索引，d為faces中的對象

for k, d in enumerate(faces):

# 用紅色矩形框出人臉

cv2.rectangle(im_rd, (d.left(), d.top()), (d.right(), d.bottom()), (0, 0, 255))

# 計算人臉熱別框邊長

self.face_width = d.right() - d.left()

# 使用預測器得到68點數據的坐標

shape = self.predictor(im_rd, d)

# 圓圈顯示每個特征點

for i in range(68):

cv2.circle(im_rd, (shape.part(i).x, shape.part(i).y), 2, (0, 255, 0), -1, 8)

# cv2.putText(im_rd, str(i), (shape.part(i).x, shape.part(i).y), cv2.FONT_HERSHEY_SIMPLEX, 0.5,

# (255, 255, 255))

# 分析任意n點的位置關系來作為表情識別的依據

mouth_width = (shape.part(54).x - shape.part(48).x) / self.face_width # 嘴巴咧開程度

mouth_higth = (shape.part(66).y - shape.part(62).y) / self.face_width # 嘴巴張開程度

# print("嘴巴寬度與識別框寬度之比：",mouth_width_arv)

# print("嘴巴高度與識別框高度之比：",mouth_higth_arv)

# 通過兩個眉毛上的10個特征點，分析挑眉程度和皺眉程度

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.brow_k, self.brow_d = self.fit_slr(line_brow_x, line_brow_y) # 計算眉毛的傾斜程度

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

brow_hight = (brow_sum / 10) / self.face_width # 眉毛高度占比

brow_width = (frown_sum / 5) / self.face_width # 眉毛距離占比

# print("眉毛高度與識別框高度之比：",round(brow_arv/self.face_width,3))

# print("眉毛間距與識別框高度之比：",round(frown_arv/self.face_width,3))

# 眼睛睜開程度

eye_sum = (shape.part(41).y - shape.part(37).y + shape.part(40).y - shape.part(38).y +

shape.part(47).y - shape.part(43).y + shape.part(46).y - shape.part(44).y)

eye_hight = (eye_sum / 4) / self.face_width

# print("眼睛睜開距離與識別框高度之比：",round(eye_open/self.face_width,3))

# 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)

# 標出人臉數

cv2.putText(im_rd, "Faces: " + str(len(faces)), (20, 50), font, 1, (0, 0, 255), 1, cv2.LINE_AA)

else:

# 沒有檢測到人臉

cv2.putText(im_rd, "No Face", (20, 50), font, 1, (0, 0, 255), 1, cv2.LINE_AA)

# 添加說明

im_rd = cv2.putText(im_rd, "S: screenshot", (20, 400), font, 0.8, (0, 0, 255), 1, cv2.LINE_AA)

im_rd = cv2.putText(im_rd, "Q: quit", (20, 450), font, 0.8, (0, 0, 255), 1, cv2.LINE_AA)

# 按下s鍵截圖保存

if (k == ord('s')):

self.cnt += 1

cv2.imwrite("screenshoot" + str(self.cnt) + ".jpg", im_rd)

# 按下q鍵退出

if (k == ord('q')):

break

# 窗口顯示

cv2.imshow("camera", im_rd)

# 釋放攝像頭

self.cap.release()

# 刪除建立的窗口

cv2.destroyAllWindows()

if __name__ == "__main__":

my_face = face_emotion()

my_face.learning_face()

四、參考文章

到此這篇關于Python+Dlib+Opencv實現人臉采集并表情判別的文章就介紹到這了,更多相關Python Dlib Opencv 人臉采集內容請搜索python博客以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持python博客！

總結

以上是生活随笔為你收集整理的python表情识别程序_Python+Dlib+Opencv实现人脸采集并表情判别功能的代码的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。