python面部表情识别,微信表情识别
文章目录前言一、人脸旋转二、人脸裁剪
前言微表情识别类似于表情识别，在处理时的不同之处在于微表情的关注区域是特定的(AU)，所以我们在裁剪人脸的时候也是主要获得该区域，我们实验室之前用的都是矩阵实验室代码，刚刚把它转为了大蟒代码。
一、人脸旋转方法就是采用dlib68模型找到双眼的位置，计算需要旋转的角度，然后做仿射变换，代码如下
导入cv2导入dlibimport numpy作为np#脸部旋转函数def face_rotate(img，left_eye_x，left_eye_y，right_eye_x，right_eye_y): center_x，center _ y=int((left _ eye _ x right _ eye _ x)/2)，int((left _ eye _ y right _ eye _ y)//2)dx，dy=right_eye_x - left_eye_x，right_eye_y - left_eye_y #计算角度角度=np。度(np.arctan2(dy，dx)) #计算仿射矩阵翘曲矩阵=cv2。getrotationmatrix 2d((center _ x，center_y)，角度，1) #进行仿射变换，即旋转rotated_img=cv2.warpAffine(img，warp_matrix，(img.shape[1]，img.shape[0]))返回rotated_img#脸部剪裁函数def face_crop(img，左眼x，左眼y，右眼x，右眼y， noise _ y):x _ min=left _ eye _ x-(right _ eye _ x-left _ eye _ x)y _ min=int((left _ eye _ y right _ eye _ y)/2-(noise _ y-(left _ eye _ y right _ eye _ y)/2))width=3 *(right _ eye _ x-left _ eye _ x)height=3 *(noise _ y-(left _ eye _ y right _ eye _ y)//2)return img[y _ min:y _ min height，x_min:x_min width]#加载模型predictor _ model=r c:\ users \ S \ Desktop \ python \ model \ dlib \ shape _ predictor _ 68 _ face _ landmarks。 dat detector=dlib。get _ frontier _ face _ detector()predictor=dlib。形状预测器(预测器模型)# cv2读取图像test _ film _ path=r c:\ Users \ S \ Desktop \ img 1024-model \ 0082。png img=cv2。im read(测试_电影_路径)#取灰度，检测人脸img_gray=cv2.cvtColor(img，cv2 .COLOR_RGB2GRAY)rects=范围内我的检测器(img_gray，0)(len(rects)):landmark=NP。matrix([[p . x，p.y] for p in predictor(img，rects[i]).parts()]) left_eye_x，left_eye_y=landmarks[39][0，0]，landmarks[39][0，1] right_eye_x，right_eye_y=landmarks[42][0，0]，landmarks[42][0，1] noise_x，noise_y=landmarks[33][0，0]，landmarks[33][0，1] rotated_img=face_rotate(img，left_eye_x，left_eye_y，right_eye_x，right_eye_y)效果：
二、人脸裁剪方法就是根据双眼和鼻子的位置，向左右各扩展双眼的长度，向上下各扩展眼睛到鼻子的垂直距离，代码如下：
导入cv2导入dlibimport numpy作为np#脸部旋转函数def face_rotate(img，left_eye_x，left_eye_y，right_eye_x，right_eye_y): center_x，center _ y=int((left _ eye _ x right _ eye _ x)/2)，int((left _ eye _ y right _ eye _ y)//2)dx，dy=right_eye_x - left_eye_x，right_eye_y - left_eye_y #计算角度角度=np。度(np.arctan2(dy，dx)) #计算仿射矩阵翘曲矩阵=cv2。getrotationmatrix 2d((center _ x，center_y)，角度，1) #进行仿射变换，即旋转rotated_img=cv2.warpAffine(img，warp_matrix，(img.shape[1]，img.shape[0]))返回rotated_img#脸部剪裁函数def face_crop(img，左眼x，左眼y，右眼x，右眼y， noise _ y):x _ min=left _ eye _ x-(right _ eye _ x-left _ eye _ x)y _ min=int((left _ eye _ y right _ eye _ y)/2-(noise _ y-(left _ eye _ y right _ eye _ y)/2))宽度=3 *(右眼x -左眼x)高度=3 *(noise _ y-(左_ eye _ y右_ eye _ y)//2)#下面这个返回的是完全按照规则裁的# return img[y_min:y_min高度，x分钟：x分钟宽度] #下面这个，得到的是一张长宽相同的图croped _ img=img[y _ min:y _ min height，left _ eye _ x(right _ eye _ x-left _ eye _ x)//2-3 *(noise _ y-(left _ eye _ y right _ eye _ y)//2:left _ eye _ x(right _ eye _ x-left _ eye _ x)//2 3 *(noise _ y-(left _ eye _ y right _ eye _ y)//2]#这里调整大小有两种方法可以得到深度学习所需要的数据，一是将后面长宽不同的图拉伸为224(一般是224); 二是将后面长宽相同的图简单调整大小一下，这里设的是128,有特殊用途，一般是224 resize _ img=cv2。resize(croped _ img，(128，128)，插值=cv2 .区间_区域)返回resize_img#加载模型predictor _ model=r c:\ Users \ S \ Desktop \ python \ model \ dlib \ shape _ predictor _ 68 _ face _ landmarks。dat detector=dlib。get _ frontier _ face _ detector()predictor=dlib。形状预测器(预测器模型)# cv2读取图像test _ film _ path=r c:\ Users \ S \ Desktop \ train \ \ 0720。jpg img=cv2。im read(测试_电影_路径)#取灰度，检测人脸img_gray=cv2.cvtColor(img，cv2 .COLOR_RGB2GRAY)rects=范围内我的检测器(img_gray，0)(len(rects)):landmark=NP。matrix([[p . x，p.y] for p in predictor(img，rects[i]).parts()]) left_eye_x，left_eye_y=landmarks[39][0，0]，landmarks[39][0，1] right_eye_x，right_eye_y=landmarks[42][0，0]，landmarks[42][0，1] noise_x，noise_y=landmarks[33][0，0]，landmarks[33][0，1] # rotated_img=face_rotate(img，left_eye_x，left_eye_y，right_eye_x，right_eye_y效果：
这样就基本包含了常见的澳大利亚区域，可以送进网络进行训练了
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。