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

官網下載安裝包：https://cmake.org/download/

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Python2-7Libsite-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 sysimport dlib # 人臉識別的庫dlibimport numpy as np # 數據處理的庫numpyimport 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

https://www.jb51.net/article/189876.htm

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好吧啦網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好吧啦網！