def predict_expression(img_path, model):
"""
对图中n个人脸进行表情预测
:param img_path:
:return:
"""
import numpy as np
from utils import index2emotion, expression_analysis, cv2_img_add_text
import cv2
border_color = (0, 0, 0) # 黑框框
font_color = (255, 255, 255) # 白字字
img, img_gray, faces = face_detect(img_path)
if len(faces) == 0:
return 'no', [0, 0, 0, 0, 0, 0, 0, 0]
# 遍历每一个脸
emotions = []
result_possibilitys = []
for (x, y, w, h) in faces:
face_img_gray = img_gray[y:y + h + 10, x:x + w + 10]
faces_img_gray = generate_faces(face_img_gray)
# 预测结果线性加权
results = model.predict(faces_img_gray)
result_sum = np.sum(results, axis=0).reshape(-1)
label_index = np.argmax(result_sum, axis=0)
emotion = index2emotion(label_index, 'en')
cv2.rectangle(img, (x - 10, y - 10), (x + w + 10, y + h + 10),
border_color,
thickness=2)
img = cv2_img_add_text(img, emotion, x + 30, y + 30, font_color, 20)
emotions.append(emotion)
result_possibilitys.append(result_sum)
cv2.imwrite('../results/rst_border.png', img)
return emotions[0], result_possibilitys[0]
def predict_expression(img_path, model):
"""
对图中n个人脸进行表情预测
:param img_path:
:return:
"""
border_color = (0, 0, 0) # 黑框
font_color = (0, 0, 128)
img, img_gray, faces = face_detect(img_path)
if len(faces) == 0:
return img
# 遍历每一个脸
for (x, y, w, h) in faces:
face_img_gray = img_gray[y:y + h + 10, x:x + w + 10]
faces_img_gray = generate_faces(face_img_gray)
# 预测结果线性加权
results = model.predict(faces_img_gray)
result_sum = np.sum(results, axis=0).reshape(-1)
label_index = np.argmax(result_sum, axis=0)
emotion = index2emotion(label_index, 'cn')
cv2.rectangle(img, (x - 10, y - 10), (x + w + 10, y + h + 10), border_color, thickness=2)
img = cv2_img_add_text(img, emotion, x + 30, y + 30, font_color, 30)
# if not os.path.exists("./output"):
# os.makedirs("./output")
# cv2.imwrite('./output/rst.png', img)
return img
def predict_expression():
"""
预测函数
:return:
"""
import cv2
from utils import index2emotion, cv2_img_add_text
import numpy as np
# 参数设置
model = load_model()
border_color = (255, 0, 0) # 黑框
font_color = (255, 255, 255) # 白字
capture = cv2.VideoCapture(0) # 指定0号摄像头
while True:
_, frame = capture.read() # 读取一帧视频，返回是否到达视频结尾的布尔值和这一帧的图像
frame_gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 灰度化
cascade = cv2.CascadeClassifier('../data/params/haarcascade_frontalface_alt.xml') # 检测人脸
# 利用分类器识别出哪个区域为人脸
faces = cascade.detectMultiScale(frame_gray, scaleFactor=1.1, minNeighbors=5, minSize=(40, 40))
'''在进行眼睛检测的时候多了几个参数。detectMultiScale有许多可选参数；在人脸检测时，默认选项足以检测人脸，但是眼睛是一个比较小的人脸特征，
并且胡子或者鼻子的本身阴影以及帧的随机阴影都会产生假阳性。通过限制对眼睛搜索的最小尺寸为40x40像素，可以去掉假阳性。然后测试这些参数，
直至应用程序可以满足预期(例如可以尝试指定特征的最大尺寸，或增加比例因子以及近邻的数量)。
下面我们来总结一下detectMultiScale函数：
detectMultiScale(image[, scaleFactor[, minNeighbors[, flags[, minSize[, maxSize]]]]])
image：表示的是要检测的输入图像
scaleFactor：为每一个图像尺度中的尺度参数，默认值为1
.1。scaleFactor参数可以决定两个不同大小的窗口扫描之间有多大的跳跃，这个参数设置的大，则意味着计算会变快，但如果窗口错过了某个大小的人脸，则可能丢失物体。
minNeighbors：参数为每一个级联矩形应该保留的邻近个数，默认为3。minNeighbors控制着误检测，默认值为3表明至少有3次重叠检测，我们才认为人脸确实存。
flags：对于新的分类器没有用（但目前的haar分类器都是旧版的，CV_HAAR_DO_CANNY_PRUNING, 这个值告诉分类器跳过平滑（无边缘区域）。
利用Canny边缘检测器来排除一些边缘很少或者很多的图像区域；CV_HAAR_SCALE_IMAGE，这个值告诉分类器不要缩放分类器。而是缩放图像（处理好内存和缓存的使用问题，这可以提高性能。）就是按比例正常检测；CV_HAAR_FIND_BIGGEST_OBJECTS，告诉分类器只返回最大的目标（这样返回的物体个数只可能是0或1）只检测最大的物，CV_HAAR_DO_ROUGH_SEARCH，他只可与CV_HAAR_FIND_BIGGEST_OBJECTS一起使用，这个标志告诉分类器在任何窗口，只要第一个候选者被发现则结束寻找（当然需要足够的相邻的区域来说明真正找到了。）, 只做初略检测.
minSize：为目标的最小尺寸
maxSize：为目标的最大尺寸
'''
# 如果检测到人脸
if len(faces) > 0:
for (x, y, w, h) in faces:
face = frame_gray[y: y + h, x: x + w] # 脸部图片
#人脸检测
faces = generate_faces(face)
results = model.predict(faces)
result_sum = np.sum(results, axis=0).reshape(-1)
label_index = np.argmax(result_sum, axis=0)
emotion = index2emotion(label_index)
cv2.rectangle(frame, (x - 10, y - 10), (x + w + 10, y + h + 10), border_color, thickness=2)
frame = cv2_img_add_text(frame, emotion, x+30, y+30, font_color, 20)
cv2.imshow("sun (press esc to exit)", frame) # 利用人眼假象
key = cv2.waitKey(30) # 等待30ms，返回ASCII码
# 如果输入esc则退出循环
if key == 27:
break
# 释放摄像头
capture.release()
cv2.destroyAllWindows()
def predict_expression():
"""
实时预测
:return:
"""
import cv2
from utils import index2emotion, cv2_img_add_text
import numpy as np
# 参数设置
model = load_model()
border_color = (0, 0, 0) # 黑框框
font_color = (255, 255, 255) # 白字字
capture = cv2.VideoCapture(0) # 指定0号摄像头
while True:
_, frame = capture.read() # 读取一帧视频，返回是否到达视频结尾的布尔值和这一帧的图像
frame_gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 灰度化
cascade = cv2.CascadeClassifier(
'../data/params/haarcascade_frontalface_alt.xml') # 检测人脸
# 利用分类器识别出哪个区域为人脸
faces = cascade.detectMultiScale(frame_gray,
scaleFactor=1.1,
minNeighbors=1,
minSize=(120, 120))
# 如果检测到人脸
if len(faces) > 0:
for (x, y, w, h) in faces:
face = frame_gray[y:y + h, x:x + w] # 脸部图片
faces = generate_faces(face)
results = model.predict(faces)
result_sum = np.sum(results, axis=0).reshape(-1)
label_index = np.argmax(result_sum, axis=0)
emotion = index2emotion(label_index)
cv2.rectangle(frame, (x - 10, y - 10),
(x + w + 10, y + h + 10),
border_color,
thickness=2)
frame = cv2_img_add_text(frame, emotion, x + 30, y + 30,
font_color, 20)
# puttext中文显示问题
# cv2.putText(frame, emotion, (x + 30, y + 30), cv2.FONT_HERSHEY_SIMPLEX, 1, font_color, 4)
cv2.imshow("expression recognition(press esc to exit)",
frame) # 利用人眼假象
key = cv2.waitKey(30) # 等待30ms，返回ASCII码
# 如果输入esc则退出循环
if key == 27:
break
capture.release() # 释放摄像头
cv2.destroyAllWindows() # 销毁窗口
def predict_expression():
"""
实时预测
:return:
"""
# 参数设置
#总共检测1000帧进行检测
frame_number = 0
print("选择音乐输入1，视频输入2")
media = 1
media = input()
media = int(media)
sign = 0
fp = open("./res.txt", 'w')
fp.truncate()
model = load_model()
border_color = (0, 0, 0) # 黑框框
font_color = (255, 255, 255) # 白字字
capture = cv2.VideoCapture(0) # 指定0号摄像头
if filename:
capture = cv2.VideoCapture(filename)
while True:
_, frame = capture.read() # 读取一帧视频，返回是否到达视频结尾的布尔值和这一帧的图像
frame = cv2.cvtColor(cv2.resize(frame, (800, 600)), cv2.COLOR_BGR2RGB)
frame_gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 灰度化
cascade = cv2.CascadeClassifier(
'./dataset/params/haarcascade_frontalface_alt.xml') # 检测人脸
# 利用分类器识别出哪个区域为人脸
faces = cascade.detectMultiScale(frame_gray,
scaleFactor=1.1,
minNeighbors=1,
minSize=(120, 120))
# 如果检测到人脸
if len(faces) > 0:
frame_number = frame_number + 1
for (x, y, w, h) in faces:
face = frame_gray[y:y + h, x:x + w] # 脸部图片
faces = generate_faces(face)
results = model.predict(faces)
result_sum = np.sum(results, axis=0).reshape(-1)
label_index = np.argmax(result_sum, axis=0)
emotion = index2emotion(label_index, 'eng')
fp.write(emotion)
fp.write('\n')
cv2.rectangle(frame, (x - 10, y - 10),
(x + w + 10, y + h + 10),
border_color,
thickness=2)
frame = cv2_img_add_text(frame, emotion, x + 30, y + 30,
font_color, 20)
# puttext中文显示问题
# cv2.putText(frame, emotion, (x + 30, y + 30), cv2.FONT_HERSHEY_SIMPLEX, 1, font_color, 4)
cv2.imshow("expression recognition(press esc to exit)",
frame) # 利用人眼假象
key = cv2.waitKey(30) # 等待30ms，返回ASCII码
# 如果输入esc则退出循环
if key == 27 or frame_number == 150:
sign = 1
break
capture.release() # 释放摄像头
cv2.destroyAllWindows() # 销毁窗口
fp.close()
if sign == 1:
ana(media)