0. 引言html
利用机器学习的方法训练微笑检测模型，输入一张人脸照片，判断是否微笑；git
精度在 95% 左右（ 使用的数据集中 69 张没笑脸，65 张有笑脸 ）；github
图1 测试图像与检测结果数组
项目实现的笑脸识别，并非经过 计算嘴唇角度，知足必定弧度认定为笑脸进行断定， 网络
而是经过机器学习模型，让模型去 学习人脸嘴唇的坐标和断定笑脸的关系:app
输入: 人脸嘴唇的坐标dom
输出: 有没笑脸 机器学习
借助 Dlib 进行 人脸嘴部 20 个特征点坐标（ 40 维特征）的提取，而后根据这 40 维输入特征 做为 模型输入， 1 维特征（ 1 表明有微笑 / 0 表明没微笑）做为 输出，进行 Machine Learning 建模;函数
利用几种机器学习模型进行建模，达到一个二分类（分类 有/无 笑脸）的目的，而后分析模型识别精度和性能，而且能够识别给定图片的人脸是否微笑；性能
源码：
GitHub: https://github.com/coneypo/Smile_Detector
1. get_features.py :
get_features(img_rd, pos_49to68) # 输入人脸图像路径，利用 Dlib 的 “shape_predictor_68_face_landmarks.dat” 提取嘴部20个特征点坐标的40个特征值；
write_into_CSV() # 将40维特征输入和1维的输出标记（1表明有微笑/0表明没微笑）写入 CSV 文件中；
2. ML_ways_sklearn.py :
pre_data() # 读取 CSV 中的数据，而后提取出训练集 X_train 和测试集 X_test
3. show_lip.py :
显示某人嘴唇的位置
4. check_smiles.py:
输入给定测试图像，用 ML 模型检测其 有/无笑脸；
用到的几种机器学习分类模型：
model_LR() ， Logistic Regression， （线性模型）中的逻辑斯特回归
model_Linear SVC() ，Support Vector Classification， （支持向量机）中的线性支持向量分类
model_MLPC() ， Multi-Layer Perceptron Classification， （神经网络）多层感知机分类
model_SGDC() ， Stochastic Gradient Descent Classification，（线性模型）随机梯度法求解
1. 开发环境
Python: 3.6.3
Dlib: 19.7
OpenCv, NumPy, sklearn, pandas, os, csv 等
get_features.py 中调用的库：
1 import dlib # 人脸识别的库 Dlib 2 import numpy as np # 数据处理的库 Numpy 3 import cv2 # 图像处理的库 OpenCv 4 import os # 读取文件 5 import csv # csv操做
ML_ways_sklearn.py 中调用的库：
1 # pd 读取 CSV 2 import pandas as pd 3 4 # 分割数据 5 from sklearn.model_selection import train_test_split 6 7 # 用于数据预加工标准化 8 from sklearn.preprocessing import StandardScaler 9 10 from sklearn.linear_model import LogisticRegression # 线性模型中的Logistic回归模型 11 from sklearn.neural_network import MLPClassifier # 神经网络模型中的多层网络模型 12 from sklearn.svm import LinearSVC # SVM模型中的线性SVC模型 13 from sklearn.linear_model import SGDClassifier # 线性模型中的随机梯度降低模型
使用的人脸来自于 The MUCT Face Database（Link: http://www.milbo.org/muct/）
(The MUCT database was prepared by Stephen Milborrow, John Morkel, and Fred Nicolls in December 2008 at the University Of Cape Town. We would like to send out a thanks to the people who allowed their faces to be used.)
2. 设计流程
工做内容主要如下两大块：提取人脸特征 和 建模；
总体的设计流程以下图所示：
图 2 整体设计流程图
2.1 提取人脸特征：
该部分的设计流程图：
图 3 人脸提取特征部分流程图
先在项目目录下创建两个文件夹，分别存放
有笑脸的人脸的路径 : path_images_with_smiles = "data_imgs/database/smiles/"
无笑脸的人脸的路径: path_images_no_smiles = "data_imgs/database/no_smiles/"
这样以后读取的时候就能够知道人脸的标记有/无人脸；
关于利用 Dlib 进行人脸 68个特征点的提取，在我以前另外一篇博客里面介绍过 (link: http://www.cnblogs.com/AdaminXie/p/7905888.html)；
本项目中只使用其中嘴部 20个特征点的坐标做为特征输入，20个点的序号以下图所示：
图 4 Dlib 标定的嘴部特征点序号
20 个特征点 40 个坐标值的提取，由 get_features() 函数实现；
输入是图像文件所在路径，返回的的是数组 pos_49to68（40个为特征点坐标值）
1 # 输入图像文件所在路径，返回一个41维数组（包含提取到的40维特征和1维输出标记） 2 def get_features(img_rd): 3 4 # 输入: img_rd: 图像文件 5 # 输出: pos_49to68: feature 49 to feature 68, 20 feature points in all, 40 points 6 7 # read img file 8 img = cv2.imread(img_rd) 9 # 取灰度 10 img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) 11 12 # 计算 68 点坐标 13 pos_68 = [] 14 rects = detector(img_gray, 0) 15 landmarks = np.matrix([[p.x, p.y] for p in predictor(img, rects[0]).parts()]) 16 17 for idx, point in enumerate(landmarks): 18 # 68点的坐标 19 pos = (point[0, 0], point[0, 1]) 20 pos_68.append(pos) 21 22 pos_49to68 = [] 23 # 将点 49-68 写入 CSV 24 # 即 pos_68[48]-pos_68[67] 25 for i in range(48, 68): 26 pos_49to68.append(pos_68[i][0]) 27 pos_49to68.append(pos_68[i][1]) 28 29 return pos_49to68
而后就遍历两个存放有/无笑脸的文件夹，读取图像文件，而后利用 get_features() 函数获得特征值，写入 CSV 中：
1 def write_into_CSV(): 2 with open(path_csv+"data.csv", "w", newline="") as csvfile: 3 writer = csv.writer(csvfile) 4 5 # 处理带笑脸的图像 6 print("######## with smiles #########") 7 for i in range(len(imgs_smiles)): 8 print("img:", path_pic_smiles, imgs_smiles[i]) 9 10 # 用来存放41维特征 11 features_csv_smiles = [] 12 13 # append "1" means "with smiles" 14 get_features(path_pic_smiles+imgs_smiles[i], features_csv_smiles) 15 features_csv_smiles.append(1) 16 print("features:", features_csv_smiles, "\n") 17 18 # 写入CSV 19 writer.writerow(features_csv_smiles) 20 21 # 处理不带笑脸的图像 22 print("######## no smiles #########") 23 for i in range(len(imgs_no_smiles)): 24 print("img", path_pic_no_smiles, imgs_no_smiles[i]) 25 26 # 用来存放41维特征 27 features_csv_no_smiles = [] 28 29 # append "0" means "no smiles" 30 get_features(path_pic_no_smiles+imgs_no_smiles[i], features_csv_no_smiles) 31 features_csv_no_smiles.append(0) 32 print("features:", features_csv_no_smiles, "\n") 33 34 # 写入CSV 35 writer.writerow(features_csv_no_smiles)
会获得一个 41 列的 CSV 文件，前 40 列为 40 维的输入特征，第 41 列为笑脸标记。
show_lip.py
1 # Created on: 2018-01-27 2 # Updated on: 2018-09-06 3 4 # Author: coneypo 5 # Blog: http://www.cnblogs.com/AdaminXie/ 6 # Github: https://github.com/coneypo/Smile_Detector 7 8 # draw the positions of someone's lip 9 10 import dlib # 人脸识别的库 Dlib 11 import cv2 # 图像处理的库 OpenCv 12 from get_features import get_features # return the positions of feature points 13 14 path_test_img = "data_imgs/test_imgs/i064rc-mn.jpg" 15 16 detector = dlib.get_frontal_face_detector() 17 predictor = dlib.shape_predictor('shape_predictor_68_face_landmarks.dat') 18 19 pos_49to68 = get_features(path_test_img) 20 21 img_rd = cv2.imread(path_test_img) 22 23 # draw on the lip points 24 for i in range(0, len(pos_49to68), 2): 25 print(pos_49to68[i],pos_49to68[i+1]) 26 cv2.circle(img_rd, tuple([pos_49to68[i],pos_49to68[i+1]]), radius=1, color=(0,255,0)) 27 28 cv2.namedWindow("img_read", 2) 29 cv2.imshow("img_read", img_rd) 30 cv2.waitKey(0)
2.2 ML 建模和测试
这部分机器学习模型使用比较简单，以前的特征提取已经完成，写入了 CSV 文件中；接下来就是要从 CSV 中将想要的数据集提取出来，利用 sklearn 进行机器学习建模。
2.2.1 数据预加工
利用 pands.read_csv 读取 CSV 文件，而后利用 train_test_split 进行数据分割；
获得 训练集：X_train, y_train 和 测试集：X_test, y_test
1 # 从 csv 读取数据 2 def pre_data(): 3 # 41维表头 4 column_names = [] 5 for i in range(0, 40): 6 column_names.append("feature_" + str(i + 1)) 7 column_names.append("output") 8 9 # read csv 10 rd_csv = pd.read_csv("data_csv/data.csv", names=column_names) 11 12 # 输出 csv 文件的维度 13 # print("shape:", rd_csv.shape) 14 15 X_train, X_test, y_train, y_test = train_test_split( 16 17 # input 0-40 18 # output 41 19 rd_csv[column_names[0:40]], 20 rd_csv[column_names[40]], 21 22 # 25% for test, 75% for train 23 test_size=0.25, 24 random_state=33) 25 26 return X_train, X_test, y_train, y_test
2.2.2 机器学习建模
几种建模方法在 sklearn 中实现的代码相似，因此在此只介绍 LR, logistic regression, 逻辑斯特回归分类，它是属于线性模型一种；
1 from sklearn.linear_model import LogisticRegression
利用 LR.fit 训练数据：LR.fit(X_train_LR, y_train_LR)，利用 LR.predict 预测标记：y_predict_LR = LR_predict(X_test_LR)；
返回 ss_LR 和 LR，须要这两个返回值，是由于以后要利用它们对给定图像的进行检测，以后 2.2.3 节会介绍；
1 # LR, logistic regression, 逻辑斯特回归分类（线性模型） 2 def model_LR(): 3 # get data 4 X_train_LR, X_test_LR, y_train_LR, y_test_LR = pre_data() 5 6 # 数据预加工 7 # 标准化数据，保证每一个维度的特征数据方差为1，均值为0。使得预测结果不会被某些维度过大的特征值而主导 8 ss_LR = StandardScaler() 9 X_train_LR = ss_LR.fit_transform(X_train_LR) 10 X_test_LR = ss_LR.transform(X_test_LR) 11 12 # 初始化 LogisticRegression 13 LR = LogisticRegression() 14 15 # 调用 LogisticRegression 中的 fit() 来训练模型参数 16 LR.fit(X_train_LR, y_train_LR) 17 18 # save LR model 19 joblib.dump(LR, path_models + "model_LR.m") 20 21 # 评分函数 22 score_LR = LR.score(X_test_LR, y_test_LR) 23 # print("The accurary of LR:", score_LR) 24 25 return (ss_LR)
个人数据集里面是69张没笑脸，65张有笑脸，测试精度以下，精度在95%附近：
The accurary of LR: 0.941176470588 The accurary of SGD: 0.882352941176 The accurary of SVM: 0.941176470588 The accurary of MLP: 0.970588235294
2.2.3 测试单张图片
如今咱们已经建好机器学习模型，在 2.2.2 中能够利用 sklearn 机器学习模型的 score 函数获得模型精度;
可是若是想检测给定图像的笑脸，须要进行该部分工做：path_test_pic 就是须要进行检测的文件路径，须要精确到图像文件，好比 “F:/pic/test.pic”;
而后调用 get_features.py 中的 get_features() 函数进行特征提取，获得给定图像的40维特征数组 pos_49_68；
check_smile.py:
1 # Created on: 2018-01-27 2 # Updated on: 2018-09-07 3 # Author: coneypo 4 # Blog: http://www.cnblogs.com/AdaminXie/ 5 # Github: https://github.com/coneypo/Smile_Detector 6 7 # use the saved model 8 from sklearn.externals import joblib 9 10 from get_features import get_features 11 import ML_ways_sklearn 12 13 import cv2 14 15 # path of test img 16 path_test_img = "data_imgs/test_imgs/test1.jpg" 17 18 # 提取单张40维度特征 19 pos_49to68_test = get_features(path_test_img) 20 21 # path of models 22 path_models = "data_models/" 23 24 print("The result of"+path_test_img+":") 25 print('\n') 26 27 # ######### LR ########### 28 LR = joblib.load(path_models+"model_LR.m") 29 ss_LR = ML_ways_sklearn.model_LR() 30 X_test_LR = ss_LR.transform([pos_49to68_test]) 31 y_predict_LR = str(LR.predict(X_test_LR)[0]).replace('0', "no smile").replace('1', "with smile") 32 print("LR:", y_predict_LR) 33 34 # ######### LSVC ########### 35 LSVC = joblib.load(path_models+"model_LSVC.m") 36 ss_LSVC = ML_ways_sklearn.model_LSVC() 37 X_test_LSVC = ss_LSVC.transform([pos_49to68_test]) 38 y_predict_LSVC = str(LSVC.predict(X_test_LSVC)[0]).replace('0', "no smile").replace('1', "with smile") 39 print("LSVC:", y_predict_LSVC) 40 41 # ######### MLPC ########### 42 MLPC = joblib.load(path_models+"model_MLPC.m") 43 ss_MLPC = ML_ways_sklearn.model_MLPC() 44 X_test_MLPC = ss_MLPC.transform([pos_49to68_test]) 45 y_predict_MLPC = str(MLPC.predict(X_test_MLPC)[0]).replace('0', "no smile").replace('1', "with smile") 46 print("MLPC:", y_predict_MLPC) 47 48 # ######### SGDC ########### 49 SGDC = joblib.load(path_models+"model_SGDC.m") 50 ss_SGDC = ML_ways_sklearn.model_SGDC() 51 X_test_SGDC = ss_SGDC.transform([pos_49to68_test]) 52 y_predict_SGDC = str(SGDC.predict(X_test_SGDC)[0]).replace('0', "no smile").replace('1', "with smile") 53 print("SGDC:", y_predict_SGDC) 54 55 img_test = cv2.imread(path_test_img) 56 57 img_height = int(img_test.shape[0]) 58 img_width = int(img_test.shape[1]) 59 60 # show the results on the image 61 font = cv2.FONT_HERSHEY_SIMPLEX 62 cv2.putText(img_test, "LR: "+y_predict_LR, (int(img_height/10), int(img_width/10)), font, 0.8, (84, 255, 159), 1, cv2.LINE_AA) 63 cv2.putText(img_test, "LSVC: "+y_predict_LSVC, (int(img_height/10), int(img_width/10*2)), font, 0.8, (84, 255, 159), 1, cv2.LINE_AA) 64 cv2.putText(img_test, "MLPC: "+y_predict_MLPC, (int(img_height/10), int(img_width/10)*3), font, 0.8, (84, 255, 159), 1, cv2.LINE_AA) 65 cv2.putText(img_test, "SGDC: "+y_predict_SGDC, (int(img_height/10), int(img_width/10)*4), font, 0.8, (84, 255, 159), 1, cv2.LINE_AA) 66 67 cv2.namedWindow("img", 2) 68 cv2.imshow("img", img_test) 69 cv2.waitKey(0)
3. 实现效果
图 5 同一我的不一样表情的笑脸检测结果
图 6 检测到没微笑
图 7 检测到有微笑
4. 总结
数据集中有无笑脸是本身进行分类的，并且有写的表情不太好界定，因此选取的是一些笑容比较明显的照片做为有笑脸，因此可能出来模型在检测一些微笑上有偏差；
笑容检测模型的数据集测试精度在 95% 左右，比较理想；
其实人脸笑容检测的话，光靠嘴部特征去判断不太合适，要结合整张人脸特征点进行训练，改进的话也比较简单；
# 源码上传到了 GitHub，我也在不断更新优化，若是对您有帮助或者感兴趣欢迎 Star 支持我: https://github.com/coneypo/Smile_Detector
# 请尊重他人劳动成果，转载或者使用源码请注明出处：http://www.cnblogs.com/AdaminXie
# 交流学习能够联系邮箱 coneypo@foxmail.com