import cv2
import sys
import json
import time
import numpy as np
from keras.models import model_from_json
cascpath = sys.ar**[1]
facecascade = cv2.cascadeclassifier(cascpath)
# 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')
defpredict_emotion
(face_image_gray):
# a single cropped face
resized_img = cv2.resize(face_image_gray, (48,48), interpolation = cv2.inter_area)
image = resized_img.reshape(1, 1, 48, 48)
im = cv2.resize(resized_img,(90,100))
cv2.imwrite('face.bmp', im)
list_of_list = model.predict(image, batch_size=1, verbose=1)
video_capture = cv2.videocapture(0)
while
true:
# capture frame-by-frame
ret, frame = video_capture.read()
img_gray = cv2.cvtcolor(frame, cv2.color_bgr2gray,1)
faces = facecascade.detectmultiscale(
img_gray,
scalefactor=1.1,
minneighbors=1,
minsize=(30, 30),
flags=cv2.cascade_scale_image
)emotions =
# draw a rectangle around the faces
for (x, y, w, h) in faces:
face_image_gray = img_gray[y:y+h, x:x+w]
m = emotions.index(max(emotions))
biaoqing = ""
for index, val in enumerate(emotion_labels):
if (m == index):
biaoqing = val
print(biaoqing)
cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)
#cv2.puttext(frame, biaoqing, (x, y),
# cv2.font_hershey_plain, 1, (0, 255, 0),
# thickness=2, linetype=2)
with open('emotion.txt', 'a') as f:
# display the resulting frame
cv2.imshow('video', frame)
if cv2.waitkey(1) & 0xff == ord('q'):
break
# when everything is done, release the capture
video_capture.release()
cv2.destroyallwindows()
載入haarcascade_frontalface_default.xml是haar分類器，用於檢測人臉，別人訓練好的
載入model.h5模型，這是用caffe訓練的，用於表情**
model.json經過檢視裡面內容，就是別人將model通過keras儲存為json格式，現在重新將json載入
emotion.txt裡面是結果，哪個值越大就是哪個。這僅僅是**，但效果還是比（一）好很多
人臉識別面部表情
import dlib 人臉識別的庫dlib import numpy as np 資料處理的庫numpy import cv2 影象處理的庫opencv class face emotion def init self 使用特徵提取器get frontal face detector self.d...
人臉表情識別
首先我們來了解一下表情識別的相關背景知識以及發展近況。人臉表情是最直接 最有效的情感識別模式。它有很多人機互動方面的應用，例如疲勞駕駛檢測和手機端實時表情識別。早在20世紀ekman等專家就通過跨文化調研提出了七類基礎表情，分別是生氣，害怕，厭惡，開心，悲傷，驚訝以及中立。然而不斷的研究發現這七類基...
輕量化人臉表情識別
1 引言 1.1應用價值 人臉表情識別在人機互動 教育 安防 輔助駕駛 廣告等領域均有廣泛應用，是乙個很有發展前景的方向。目前，僅針對人臉識別的技術相對成熟，表情識別還有很大市場，接下來需要做的是將表情識別運用到實際場景中，將其與現實需求進行良好結合。例如在遊戲製作上面，可以根據人類情感做出實時反映...