一、实验原理
1.定义
- 训练/测试集:将数据集划分为训练集和测试集。训练集中的图像用于训练一个模型,测试集中的图像用于测试和评估模型。分为两个样本:标记为微笑的图像;标记为非微笑的图像。
下载数据集
2.笑脸检测流程
- 首先,从数据分辨找到人脸。接下来分类是微笑还是非微笑。可以直接使用包,使用opencv/dlib 中的人脸检测器。
- 下一步,训练模型。模型的输入应该是人脸你从图像中提取,输出应该是预测结果。分类通常包含两个步骤,特征提取和分类。使用HOG 和SVM。HOG,定向梯度直方图。 HOG 描述符背后的基本思想是图像中局部物体的外观和形状可以通过强度分布来描述渐变或边缘方向。图像被分成称为单元格的小的连接区域,并且对于每个单元格内的像素,编译梯度方向的直方图。描述符是这些直方图的串联。与其他描述符相比,HOG 描述符具有一些关键优势描述符。以下是 HOG 的示例。SVM,支持向量机。给定一组训练样例,每个样例都标记为属于一个或两个类别中的另一个,SVM 训练算法构建一个模型,该模型分配新的
一个类别或另一个类别的示例,使其成为非概率二元线性分类器。一个SVM 模型将样本表示为空间中的点,映射使得单独的类别由尽可能宽的明显差距划分,如下所示图显示。然后将新示例映射到相同的空间并预测属于基于类别的他们落在差距的哪一边。除了执行线性分类,SVM 还可以使用内核技巧有效地执行非线性分类,隐式将它们的输入映射到高维特征空间。
二、训练模型
import dlib
import numpy as np
import cv2
import os
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor('D:\\MyworkSpace\\Spyder\\smile\\shape_predictor_68_face_landmarks.dat')
path_read = "D:\\MyworkSpace\\Spyder\\smile\\genki4k\\files"
num=0
for file_name in os.listdir(path_read):
aa=(path_read +"/"+file_name)
img=cv2.imdecode(np.fromfile(aa, dtype=np.uint8), cv2.IMREAD_UNCHANGED)
img_shape=img.shape
img_height=img_shape[0]
img_width=img_shape[1]
path_save="D:\\MyworkSpace\\Spyder\\smile\\genki4k\\files1"
dets = detector(img,1)
print("人脸数:", len(dets))
for k, d in enumerate(dets):
if len(dets)>1:
continue
num=num+1
pos_start = tuple([d.left(), d.top()])
pos_end = tuple([d.right(), d