0. 引言html
利用機器學習的方法訓練微笑檢測模型，輸入一張人臉照片，判斷是否微笑；git
精度在 95% 左右（ 使用的數據集中 69 張沒笑臉，65 張有笑臉 ）；github
圖1 測試圖像與檢測結果數組
項目實現的笑臉識別，並非經過 計算嘴脣角度，知足必定弧度認定爲笑臉進行斷定， 網絡
而是經過機器學習模型，讓模型去 學習人臉嘴脣的座標和斷定笑臉的關係:app
輸入: 人臉嘴脣的座標dom
輸出: 有沒笑臉 機器學習
藉助 Dlib 進行 人臉嘴部 20 個特徵點座標（ 40 維特徵）的提取，而後根據這 40 維輸入特徵 做爲 模型輸入， 1 維特徵（ 1 表明有微笑 / 0 表明沒微笑）做爲 輸出，進行 Machine Learning 建模;函數
利用幾種機器學習模型進行建模，達到一個二分類（分類 有/無 笑臉）的目的，而後分析模型識別精度和性能，而且能夠識別給定圖片的人臉是否微笑；性能
源碼：
GitHub: https://github.com/coneypo/Smile_Detector
1. get_features.py :
get_features(img_rd, pos_49to68) # 輸入人臉圖像路徑，利用 Dlib 的 「shape_predictor_68_face_landmarks.dat」 提取嘴部20個特徵點座標的40個特徵值；
write_into_CSV() # 將40維特徵輸入和1維的輸出標記（1表明有微笑/0表明沒微笑）寫入 CSV 文件中；
2. ML_ways_sklearn.py :
pre_data() # 讀取 CSV 中的數據，而後提取出訓練集 X_train 和測試集 X_test
3. show_lip.py :
顯示某人嘴脣的位置
4. check_smiles.py:
輸入給定測試圖像，用 ML 模型檢測其 有/無笑臉；
用到的幾種機器學習分類模型：
model_LR() ， Logistic Regression， （線性模型）中的邏輯斯特迴歸
model_Linear SVC() ，Support Vector Classification， （支持向量機）中的線性支持向量分類
model_MLPC() ， Multi-Layer Perceptron Classification， （神經網絡）多層感知機分類
model_SGDC() ， Stochastic Gradient Descent Classification，（線性模型）隨機梯度法求解
1. 開發環境
Python: 3.6.3
Dlib: 19.7
OpenCv, NumPy, sklearn, pandas, os, csv 等
get_features.py 中調用的庫：
1 import dlib # 人臉識別的庫 Dlib 2 import numpy as np # 數據處理的庫 Numpy 3 import cv2 # 圖像處理的庫 OpenCv 4 import os # 讀取文件 5 import csv # csv操做
ML_ways_sklearn.py 中調用的庫：
1 # pd 讀取 CSV 2 import pandas as pd 3 4 # 分割數據 5 from sklearn.model_selection import train_test_split 6 7 # 用於數據預加工標準化 8 from sklearn.preprocessing import StandardScaler 9 10 from sklearn.linear_model import LogisticRegression # 線性模型中的Logistic迴歸模型 11 from sklearn.neural_network import MLPClassifier # 神經網絡模型中的多層網絡模型 12 from sklearn.svm import LinearSVC # SVM模型中的線性SVC模型 13 from sklearn.linear_model import SGDClassifier # 線性模型中的隨機梯度降低模型
使用的人臉來自於 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. 設計流程
工做內容主要如下兩大塊：提取人臉特徵 和 建模；
總體的設計流程以下圖所示：
圖 2 整體設計流程圖
2.1 提取人臉特徵：
該部分的設計流程圖：
圖 3 人臉提取特徵部分流程圖
先在項目目錄下創建兩個文件夾，分別存放
有笑臉的人臉的路徑 : path_images_with_smiles = "data_imgs/database/smiles/"
無笑臉的人臉的路徑: path_images_no_smiles = "data_imgs/database/no_smiles/"
這樣以後讀取的時候就能夠知道人臉的標記有/無人臉；
關於利用 Dlib 進行人臉 68個特徵點的提取，在我以前另外一篇博客裏面介紹過 (link: http://www.cnblogs.com/AdaminXie/p/7905888.html)；
本項目中只使用其中嘴部 20個特徵點的座標做爲特徵輸入，20個點的序號以下圖所示：
圖 4 Dlib 標定的嘴部特徵點序號
20 個特徵點 40 個座標值的提取，由 get_features() 函數實現；
輸入是圖像文件所在路徑，返回的的是數組 pos_49to68（40個爲特徵點座標值）
1 # 輸入圖像文件所在路徑，返回一個41維數組（包含提取到的40維特徵和1維輸出標記） 2 def get_features(img_rd): 3 4 # 輸入: img_rd: 圖像文件 5 # 輸出: 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 # 計算 68 點座標 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點的座標 19 pos = (point[0, 0], point[0, 1]) 20 pos_68.append(pos) 21 22 pos_49to68 = [] 23 # 將點 49-68 寫入 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
而後就遍歷兩個存放有/無笑臉的文件夾，讀取圖像文件，而後利用 get_features() 函數獲得特徵值，寫入 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 # 處理帶笑臉的圖像 6 print("######## with smiles #########") 7 for i in range(len(imgs_smiles)): 8 print("img:", path_pic_smiles, imgs_smiles[i]) 9 10 # 用來存放41維特徵 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 # 寫入CSV 19 writer.writerow(features_csv_smiles) 20 21 # 處理不帶笑臉的圖像 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 # 用來存放41維特徵 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 # 寫入CSV 35 writer.writerow(features_csv_no_smiles)
會獲得一個 41 列的 CSV 文件，前 40 列爲 40 維的輸入特徵，第 41 列爲笑臉標記。
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 # 人臉識別的庫 Dlib 11 import cv2 # 圖像處理的庫 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 建模和測試
這部分機器學習模型使用比較簡單，以前的特徵提取已經完成，寫入了 CSV 文件中；接下來就是要從 CSV 中將想要的數據集提取出來，利用 sklearn 進行機器學習建模。
2.2.1 數據預加工
利用 pands.read_csv 讀取 CSV 文件，而後利用 train_test_split 進行數據分割；
獲得 訓練集：X_train, y_train 和 測試集：X_test, y_test
1 # 從 csv 讀取數據 2 def pre_data(): 3 # 41維表頭 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 # 輸出 csv 文件的維度 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 機器學習建模
幾種建模方法在 sklearn 中實現的代碼相似，因此在此只介紹 LR, logistic regression, 邏輯斯特迴歸分類，它是屬於線性模型一種；
1 from sklearn.linear_model import LogisticRegression
利用 LR.fit 訓練數據：LR.fit(X_train_LR, y_train_LR)，利用 LR.predict 預測標記：y_predict_LR = LR_predict(X_test_LR)；
返回 ss_LR 和 LR，須要這兩個返回值，是由於以後要利用它們對給定圖像的進行檢測，以後 2.2.3 節會介紹；
1 # LR, logistic regression, 邏輯斯特迴歸分類（線性模型） 2 def model_LR(): 3 # get data 4 X_train_LR, X_test_LR, y_train_LR, y_test_LR = pre_data() 5 6 # 數據預加工 7 # 標準化數據，保證每一個維度的特徵數據方差爲1，均值爲0。使得預測結果不會被某些維度過大的特徵值而主導 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 # 調用 LogisticRegression 中的 fit() 來訓練模型參數 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 # 評分函數 22 score_LR = LR.score(X_test_LR, y_test_LR) 23 # print("The accurary of LR:", score_LR) 24 25 return (ss_LR)
個人數據集裏面是69張沒笑臉，65張有笑臉，測試精度以下，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 測試單張圖片
如今咱們已經建好機器學習模型，在 2.2.2 中能夠利用 sklearn 機器學習模型的 score 函數獲得模型精度;
可是若是想檢測給定圖像的笑臉，須要進行該部分工做：path_test_pic 就是須要進行檢測的文件路徑，須要精確到圖像文件，好比 「F:/pic/test.pic」;
而後調用 get_features.py 中的 get_features() 函數進行特徵提取，獲得給定圖像的40維特徵數組 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 # 提取單張40維度特徵 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. 實現效果
圖 5 同一我的不一樣表情的笑臉檢測結果
圖 6 檢測到沒微笑
圖 7 檢測到有微笑
4. 總結
數據集中有無笑臉是本身進行分類的，並且有寫的表情不太好界定，因此選取的是一些笑容比較明顯的照片做爲有笑臉，因此可能出來模型在檢測一些微笑上有偏差；
笑容檢測模型的數據集測試精度在 95% 左右，比較理想；
其實人臉笑容檢測的話，光靠嘴部特徵去判斷不太合適，要結合整張人臉特徵點進行訓練，改進的話也比較簡單；
# 源碼上傳到了 GitHub，我也在不斷更新優化，若是對您有幫助或者感興趣歡迎 Star 支持我: https://github.com/coneypo/Smile_Detector
# 請尊重他人勞動成果，轉載或者使用源碼請註明出處：http://www.cnblogs.com/AdaminXie
# 交流學習能夠聯繫郵箱 coneypo@foxmail.com