代码客栈-精品毕设论文源码资料分享

s
<
  1. JustNews首页
  2. 项目源码
  3. 其他源码

基于Python实现人脸识别与卡通化

源码客栈 • • 其他源码 • 阅读 1

人脸情绪识别与emoji转换(FaceEmotionClassifier) 用Keras做前端，tensorflow做后端训练模型识别人类的情绪，根据情绪选择相应的emoji匹配 博客地址 项目简介 通过 opencv-python 识别出人脸 然后用 fer2013 的数据集训练深度卷积神经网络构建的模型识别人脸表情 使用训练好的模型识别人脸的表情情绪 根据识别结果

本文包含相关资料包-----> 点击直达获取<-------

人脸情绪识别与emoji转换(FaceEmotionClassifier)

用Keras做前端，tensorflow做后端训练模型识别人类的情绪。根据情绪选择相应的emoji匹配

博客地址

项目简介

avatar

  • 通过 opencv-python 识别出人脸

  • 然后用 fer2013 的数据集训练深度卷积神经网络构建的模型识别人脸表情

  • 使用训练好的模型识别人脸的表情情绪

  • 根据识别结果，匹配合适的 emoji 遮住人脸

项目环境

基于 python 3.5.6, opencv-python==4.1.2.30, tensorflow-gpu==1.13.1, keras

详细的环境配置参见 environment.yaml

数据集介绍

FER2013

训练模型的数据集选用了 kaggle 挑战赛上的fer2013数据集

下载得到的csv格式可以通过Excel看到格式为：

Emotion Pixels Usage
0 4 0 170 118 101 88 88 75 78 82 66 74 68 59 63 64 65 90 89 73 80 80 85 88 95 117 … 129 Training
2 200 197 149 139 156 89 111 58 62 95 113 117 116 116 112 111 96 86 99 113 120 1 … 116 Training

所以首先打开csv文件，根据usage把数据集分为：训练集、测试集和验证集

``` python with open(csv_file) as f: csv_r = csv.reader(f) header = next(csv_r) #Python中读取文件，指向的是文件的第一行，但是第一行是标题，所以用next()指向下一行，也就是从第二行开始 print(header) rows = [row for row in csv_r] 

trn = [row[:-1] for row in rows if row[-1] == 'Training']
csv.writer(open(train_csv, 'w+'), lineterminator='\n').writerows([header[:-1]] + trn)
print(len(trn))

val = [row[:-1] for row in rows if row[-1] == 'PublicTest']
csv.writer(open(val_csv, 'w+'), lineterminator='\n').writerows([header[:-1]] + val)
print(len(val))

tst = [row[:-1] for row in rows if row[-1] == 'PrivateTest']
csv.writer(open(test_csv, 'w+'), lineterminator='\n').writerows([header[:-1]] + tst)
print(len(tst))

```

如果直接用当前数据是一个扁平的向量，没有空间局部性。用这样的数据直接进行训练，就会失去空间结构和图像关系信息。卷积神经网络可以保留空间信息，并且更适合图像分类问题，所以要把数据转为图片方便下面采用卷积神经网络进行训练

avatar

python num = 1 with open(csv_file) as f: csv_r = csv.reader(f) header = next(csv_r) for i, (label, pixel) in enumerate(csv_r): # 0 - 6 文件夹内的图片label分别为： # angry ，disgust ，fear ，happy ，sad ，surprise ，neutral pixel = np.asarray([float(p) for p in pixel.split()]).reshape(48, 48) sub_folder = os.path.join(save_path, label) if not os.path.exists(sub_folder): os.makedirs(sub_folder) im = Image.fromarray(pixel).convert('L') image_name = os.path.join(sub_folder, '{:05d}.jpg'.format(i)) print(image_name) im.save(image_name)

顺便把图片灰度化处理（防止黑人和白人的肤色对模型造成影响 O(∩_∩)O哈哈哈）

avatar

Emoji表情集

替代人脸的卡通表情采用了Android 9的Emoji

avatar avatar avatar avatar avatar avatar

深度卷积神经网络模型

构建模型

这里用到了很多神经网络层

这里图像使用tf（tensorflow）顺序，它在三个通道上的形状为（48,48），正常图片可以表示为(48, 48, 3)。只不过在刚刚生成图片的时候，已经做过灰度化处理，所以这个时候，只有一个通道了。

卷积阶段

使用keras添加一层二维滤波器，输出维度是32并且每个二维滤波器是1 * 1的卷积层

python self.model.add(Conv2D(32, (1, 1), strides=1, padding='same', input_shape=(img_size, img_size, 1)))

padding='same'表示保留边界处的卷积计算结果。总共只有两种设置，这种表示输出和输入的大小相同，输入的区域边界填充为0；padding='valid'表示只对输入和滤波器完全叠加的部分做卷积运算，因而输出将会少于输入。不过讲道理，这里strides这个处理步幅已经是1了，不管设置什么都不会超过边界

使用ReLU激活函数

python self.model.add(Activation('relu'))

然后给网络学习32个5 * 5的滤波器，也用ReLU激活。并且紧接着一个最大池化层方法

python self.model.add(Conv2D(32, (5, 5), padding='same')) self.model.add(Activation('relu')) self.model.add(MaxPooling2D(pool_size=(2, 2)))

之后第二层卷积阶段和第三层卷积阶段都是用ReLU激活函数，后面再次跟着最大池化层方法。第二层仍然是32个3 * 3大小的滤波器，第三层滤波器增加到64个5 * 5，在更深的网络层增加滤波器数目是深度学习中一个普遍采用的技术

``` python self.model.add(Conv2D(32, (3, 3), padding='same')) self.model.add(Activation('relu')) self.model.add(MaxPooling2D(pool_size=(2, 2)))

self.model.add(Conv2D(64, (5, 5), padding='same')) self.model.add(Activation('relu')) self.model.add(MaxPooling2D(pool_size=(2, 2))) ```

深度管道的下一个阶段

首先用Flatten()获得一个扁平的网络

python self.model.add(Flatten())

用ReLU激活一个有2048个神经元的隐藏层，用Dropout丢弃到一半的网络，再添加一个1024个神经元的隐藏层，跟着一个关闭50%神经元的dropout层

python self.model.add(Activation('relu')) self.model.add(Dropout(0.5)) self.model.add(Dense(1024)) self.model.add(Activation('relu')) self.model.add(Dropout(0.5))

输出层

添加作为输出7个类的softmax层，每个类对应一个类别

python self.model.add(Dense(num_classes)) self.model.add(Activation('softmax'))

MODEL_SUMMARY

``` python

Layer (type) Output Shape Param #

conv2d_1 (Conv2D) (None, 48, 48, 32) 64

activation_1 (Activation) (None, 48, 48, 32) 0

conv2d_2 (Conv2D) (None, 48, 48, 32) 25632

activation_2 (Activation) (None, 48, 48, 32) 0

max_pooling2d_1 (MaxPooling2 (None, 24, 24, 32) 0

conv2d_3 (Conv2D) (None, 24, 24, 32) 9248

activation_3 (Activation) (None, 24, 24, 32) 0

max_pooling2d_2 (MaxPooling2 (None, 12, 12, 32) 0

conv2d_4 (Conv2D) (None, 12, 12, 64) 51264

activation_4 (Activation) (None, 12, 12, 64) 0

max_pooling2d_3 (MaxPooling2 (None, 6, 6, 64) 0

flatten_1 (Flatten) (None, 2304) 0

dense_1 (Dense) (None, 2048) 4720640

activation_5 (Activation) (None, 2048) 0

dropout_1 (Dropout) (None, 2048) 0

dense_2 (Dense) (None, 1024) 2098176

activation_6 (Activation) (None, 1024) 0

dropout_2 (Dropout) (None, 1024) 0

dense_3 (Dense) (None, 7) 7175

activation_7 (Activation) (None, 7) 0

Total params: 6,912,199 Trainable params: 6,912,199 Non-trainable params: 0

model built Found 28709 images belonging to 7 classes. ```

训练模型

编译模型

这里选择随机梯度下降算法作为优化器

python sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True) self.model.compile(loss='categorical_crossentropy', optimizer=sgd, metrics=['accuracy'])

通过数据增加改善性能

通常提高性能有两种方法，一种是定义一个更深、有更多卷积操作的网络，另一种训练更多的图片。这里用keras自带的ImageDataGenerator方法扩展数据集

``` python

自动扩充训练样本

train_datagen = ImageDataGenerator( rescale=1. / 255, # 归一化处理 shear_range=0.2, # 随机缩放 zoom_range=0.2, # 放大 horizontal_flip=True) # 随机水平翻转 ```

考虑到效率问题，keras提供了生成器针对模型的并发运行。我的理解就是CPU处理生成图像，GPU上并行进行训练

``` python

归一化验证集

val_datagen = ImageDataGenerator( rescale=1. / 255) eval_datagen = ImageDataGenerator( rescale=1. / 255)

以文件分类名划分label

train_generator = train_datagen.flow_from_directory( data_path + '/train', target_size=(img_size, img_size), color_mode='grayscale', batch_size=batch_siz, class_mode='categorical') val_generator = val_datagen.flow_from_directory( data_path + '/val', target_size=(img_size, img_size), color_mode='grayscale', batch_size=batch_siz, class_mode='categorical') eval_generator = eval_datagen.flow_from_directory( data_path + '/test', target_size=(img_size, img_size), color_mode='grayscale', batch_size=batch_siz, class_mode='categorical') history_fit = self.model.fit_generator( train_generator, steps_per_epoch=800 / (batch_siz / 32), # 28709 nb_epoch=nb_epoch, validation_data=val_generator, validation_steps=2000, ) ```

保存模型结构及权重

把结构保存为JSON字串，把权重保存到HDF5文件

python model_json = self.model.to_json() with open(model_path + "/model_json.json", "w") as json_file: json_file.write(model_json) self.model.save_weights(model_path + '/model_weight.h5') self.model.save(model_path + '/model.h5')

识别模块

加载权重及模型结构

``` python

从json中加载模型

json_file = open(model_path + 'model_json.json') loaded_model_json = json_file.read() json_file.close() model = model_from_json(loaded_model_json)

加载模型权重

model.load_weights(model_path + 'model_weight.h5') ```

使用OPENCV-PYTHON识别人脸

用opencv打开摄像头，使用opencv提供的一个训练好的模型识别人脸人类器

``` python

创建VideoCapture对象

capture = cv2.VideoCapture(0)

使用opencv的人脸分类器

cascade = cv2.CascadeClassifier(model_path + 'haarcascade_frontalface_alt.xml')

实时获得摄像头数据

ret, frame = capture.read()

灰度化处理 

gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

识别人脸位置

faceLands = cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=1, minSize=(120, 120)) ```

识别人脸情绪

根据识别出的脸部特征点，裁剪出脸部图像，然后调用模型预测情绪

``` python if len(faceLands) > 0: for faceLand in faceLands: x, y, w, h = faceLand images = [] result = np.array([0.0] * num_class) 

    # 裁剪出脸部图像
    image = cv2.resize(gray[y:y + h, x:x + w], (img_size, img_size))
    image = image / 255.0
    image = image.reshape(1, img_size, img_size, 1)

    # 调用模型预测情绪
    predict_lists = model.predict_proba(image, batch_size=32, verbose=1)
    result += np.array([predict for predict_list in predict_lists
                        for predict in predict_list])
    emotion = emotion_labels[int(np.argmax(result))]
    print("Emotion:", emotion)

```

根据识别结果，用cv的rectangle在视频流上框出脸部并且用putText打上标签

``` python

框出脸部并且写上标签

cv2.rectangle(frame, (x - 20, y - 20), (x + w + 20, y + h + 20), (0, 255, 255), thickness=10) cv2.putText(frame, '%s' % emotion, (x, y - 50), cv2.FONT_HERSHEY_DUPLEX, 2, (255, 255, 255), 2, 30) cv2.imshow('Face', frame) ```

用EMOJI盖住人脸

先在第一次获取视频画面的时候就copy一个没有灰度化处理的视频画面

``` python

呈现用emoji替代后的画面 

emoji_show = frame.copy()

```

直接把emoji图片遮盖人脸会出现emoji背景变为黑色盖上去了。所以这里要蒙版处理一下，也就是保持emoji透明背景的特性，当然，这里所有图像都要归一化处理

``` python def face2emoji(face, emotion_index, position): x, y, w, h = position emotion_image = cv2.resize(emotion_images[emotion_index], (w, h)) overlay_img = emotion_image[:, :, :3]/255.0 overlay_bg = emotion_image[:, :, 3:]/255.0 background = (1.0 - overlay_bg) face_part = (face[y:y + h, x:x + w]/255.0) * background overlay_part = overlay_img * overlay_bg 

face[y:y + h, x:x + w] = cv2.addWeighted(face_part, 255.0, overlay_part, 255.0, 0.0)

return face

```

参考文献

  • 基于Web的人脸识别系统的研究与实现（中南民族大学·范忠）
  • 基于通用检测和跨层特征整合的人脸检测算法研究（哈尔滨工业大学·王琦）
  • 电信运营商人脸识别系统的设计与实现（湖北工业大学·陈子健）
  • 基于MQTT的智能门禁物联平台设计与实现（华中科技大学·库博）
  • 基于人脸识别的摄影协会综合管理系统设计与实现（哈尔滨工程大学·李世强）
  • 基于MQTT的智能门禁物联平台设计与实现（华中科技大学·库博）
  • 基于web的人脸识别登陆和管理系统设计与实现（郑州大学·王哲）
  • 基于web的人脸识别登陆和管理系统设计与实现（郑州大学·王哲）
  • 基于MQTT的智能门禁物联平台设计与实现（华中科技大学·库博）
  • 基于深度学习的人脸识别研究及其实现（南京理工大学·郑大刚）
  • 人脸识别布控系统的设计与实现（武汉邮电科学研究院·邓锋）
  • 基于人脸聚类的图片管理系统的设计与实现（首都经济贸易大学·王子涛）
  • 基于稀疏表示的人脸识别研究（五邑大学·王勇）
  • 电信运营商人脸识别系统的设计与实现（湖北工业大学·陈子健）
  • 人脸识别布控系统的设计与实现（武汉邮电科学研究院·邓锋）

本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码客栈 ，原文地址：https://m.bishedaima.com/yuanma/35878.html

资源下载

本站所有项目都经过严格测试,直连告诉下载项目包, 毕设课设定制需求, 点此提交表单
代码都经过了认真的调试,不免费哦 联系QQ2625289483 更多资料关注公号: 大学生学习圈

相关推荐

发表回复

登录后才能评论