前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >keras实战︱人脸表情分类与识别:人脸检测+情绪分类

keras实战︱人脸表情分类与识别:人脸检测+情绪分类

作者头像
机器学习AI算法工程
发布2018-03-15 14:44:52
3.2K0
发布2018-03-15 14:44:52
举报
文章被收录于专栏:机器学习AI算法工程

脸识别热门,表情识别更加。但是表情识别很难,因为人脸的微表情很多,本节介绍一种比较粗线条的表情分类与识别的办法。

本次讲述的表情分类是识别的分析流程分为:
  • 1、加载pre-model网络与权重;
  • 2、利用opencv的函数进行简单的人脸检测
  • 3、抠出人脸的图并灰化;
  • 4、表情分类器检测

一、表情数据集

主要来源于kaggle比赛,下载地址。

在公众号 datadw 里 回复 keras 即可获取。

有七种表情类别: (0=Angry, 1=Disgust, 2=Fear, 3=Happy, 4=Sad, 5=Surprise, 6=Neutral). 数据是48x48 灰度图,格式比较奇葩。

第一列是情绪分类,第二列是图像的numpy,第三列是train or test。


二、opencv的人脸识别

参考《opencv+Recorder︱OpenCV 中使用 Haar 分类器进行面部检测》

http://blog.csdn.net/sinat_26917383/article/details/69831495

理论略过,直接来看重点: (1)加载人脸检测器,haarcascade_frontalface_default.xml; (2)图片加载并灰化,cvtColor,可参考: opencv︱图像的色彩空間cvtColor(HSV、HSL、HSB 、BGR)

http://blog.csdn.net/sinat_26917383/article/details/70860910

(2)人脸探测,detectMultiScale.

# (1)加载人脸检测器

cascPath = '/.../haarcascade_frontalface_default.xml'

faceCascade = cv2.CascadeClassifier(cascPath)

# (2)图片加载并灰化

jpg_file = '/home/ubuntu/keras/image/8c80abb4gw1f3b5hxd3aaj20jg0cx411.jpg'

img_gray = cv2.imread(jpg_file)

img_gray = cv2.cvtColor(img_gray, cv2.COLOR_BGR2GRAY)

# 人脸探测

faces = faceCascade.detectMultiScale(

img_gray,

scaleFactor=1.1,

minNeighbors=1,# minNeighbors=5比较难检测

minSize=(30, 30),

flags=cv2.cv.CV_HAAR_SCALE_IMAGE

)

其中minNeighbors设置小一些,容易检测出来。这个检测器还是有点粗糙。

三、表情分类与识别

本节源自github的mememoji。

https://github.com/JostineHo/mememoji

网络结构:

opencv中的人脸检测的pre-model文件(haarcascade_frontalface_default.xml)和表情识别pre-model文件(model.h5)都在作者的github下载。

作者的github地址

在公众号 datadw 里 回复 keras 即可获取。

是利用Keras实现的。直接来看完整的代码:

import cv2

import sys

import json

import time

import numpy as np

from keras.models import model_from_json

emotion_labels = ['angry', 'fear', 'happy', 'sad', 'surprise', 'neutral']

# load json and create model arch

json_file = open('/.../model.json','r')

loaded_model_json = json_file.read()

json_file.close()

model = model_from_json(loaded_model_json)

# load weights into new model

model.load_weights('/.../model.h5')

def predict_emotion(face_image_gray): # a single cropped face

resized_img = cv2.resize(face_image_gray, (48,48), interpolation = cv2.INTER_AREA)

# cv2.imwrite(str(index)+'.png', resized_img)

image = resized_img.reshape(1, 1, 48, 48)

list_of_list = model.predict(image, batch_size=1, verbose=1)

angry, fear, happy, sad, surprise, neutral = [prob for lst in list_of_list for prob in lst]

return [angry, fear, happy, sad, surprise, neutral]

# -------------------直接预测-----------------------

img_gray = cv2.imread('/.../real-time_emotion_analyzer-master/meme_faces/angry-angry.png')

img_gray = cv2.cvtColor(img_gray, cv2.COLOR_BGR2GRAY)

angry, fear, happy, sad, surprise, neutral = predict_emotion(img_gray)

# -------------------人脸预测-----------------------

# 加载检测器

cascPath = '/.../real-time_emotion_analyzer-master/haarcascade_frontalface_default.xml'

faceCascade = cv2.CascadeClassifier(cascPath)

# 图像灰化

jpg_file = '/.../001.jpg'

img_gray = cv2.imread(jpg_file)

img_gray = cv2.cvtColor(img_gray, cv2.COLOR_BGR2GRAY)

# 人脸检测

faces = faceCascade.detectMultiScale(

img_gray,

scaleFactor=1.1,

minNeighbors=1,# minNeighbors=5比较难检测

minSize=(30, 30),

flags=cv2.cv.CV_HAAR_SCALE_IMAGE

)

# 表情画框

for (x, y, w, h) in faces:

face_image_gray = img_gray[y:y+h, x:x+w]

cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2)

angry, fear, happy, sad, surprise, neutral = predict_emotion(face_image_gray)

via : http://blog.csdn.net/sinat_26917383/article/details/72885715

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2017-12-16,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 大数据挖掘DT数据分析 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 一、表情数据集
  • 二、opencv的人脸识别
  • 三、表情分类与识别
相关产品与服务
人脸识别
腾讯云神图·人脸识别(Face Recognition)基于腾讯优图强大的面部分析技术,提供包括人脸检测与分析、比对、搜索、验证、五官定位、活体检测等多种功能,为开发者和企业提供高性能高可用的人脸识别服务。 可应用于在线娱乐、在线身份认证等多种应用场景,充分满足各行业客户的人脸属性识别及用户身份确认等需求。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档