人脸识别面部表情

 import dlib                     #人脸识别的库dlib

    
 import numpy as np              #数据处理的库numpy
    
 import cv2                      #图像处理的库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点模型，使用作者训练好的特征预测器
    
     self.predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")
    
  
    
     #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)
    
     # 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)
    
     # 截图screenshoot的计数器
    
     self.cnt = 0
    
  
    
  
    
     def learning_face(self):
    
  
    
     # 眉毛直线拟合数据缓冲
    
     line_brow_x = []
    
     line_brow_y = []
    
  
    
     # cap.isOpened（） 返回true/false 检查初始化是否成功
    
     while(self.cap.isOpened()):
    
  
    
         # 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(1)
    
  
    
         # 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
    
             for i in range(len(faces)):
    
                 # 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))
    
                     # 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)
    
                     # 圆圈显示每个特征点
    
                     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点的位置关系来作为表情识别的依据
    
                     mouth_width = (shape.part(54).x - shape.part(48).x) / self.face_width  # 嘴巴咧开程度
    
                     mouth_higth = (shape.part(66).y - shape.part(62).y) / self.face_width  # 嘴巴张开程度
    
                     # print("嘴巴宽度与识别框宽度之比：",mouth_width_arv)
    
                     # print("嘴巴高度与识别框高度之比：",mouth_higth_arv)
    
  
    
                     # 通过两个眉毛上的10个特征点，分析挑眉程度和皱眉程度
    
                     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.brow_k, self.brow_d = self.fit_slr(line_brow_x, line_brow_y)  # 计算眉毛的倾斜程度
    
                     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
    
  
    
                     brow_hight = (brow_sum / 10) / self.face_width  # 眉毛高度占比
    
                     brow_width = (frown_sum / 5) / self.face_width  # 眉毛距离占比
    
                     # print("眉毛高度与识别框高度之比：",round(brow_arv/self.face_width,3))
    
                     # print("眉毛间距与识别框高度之比：",round(frown_arv/self.face_width,3))
    
  
    
                     # 眼睛睁开程度
    
                     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("眼睛睁开距离与识别框高度之比：",round(eye_open/self.face_width,3))
    
  
    
                     # 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)
    
  
    
             # 标出人脸数
    
             cv2.putText(im_rd, "Faces: "+str(len(faces)), (20,50), font, 1, (0, 0, 255), 1, cv2.LINE_AA)
    
         else:
    
             # 没有检测到人脸
    
             cv2.putText(im_rd, "No Face", (20, 50), font, 1, (0, 0, 255), 1, cv2.LINE_AA)
    
  
    
         # 添加说明
    
         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键截图保存
    
         if (k == ord('s')):
    
             self.cnt+=1
    
             cv2.imwrite("screenshoot"+str(self.cnt)+".jpg", im_rd)
    
  
    
         # 按下q键退出
    
         if(k == ord('q')):
    
             break
    
  
    
         # 窗口显示
    
         cv2.imshow("camera", im_rd)
    
  
    
     # 释放摄像头
    
     self.cap.release()
    
  
    
     # 删除建立的窗口
    
     cv2.destroyAllWindows()
    
  
    
  
    
 if __name__ == "__main__":
    
     my_face = face_emotion()
    
     my_face.learning_face()