Python基于keras訓練實現(xiàn)微笑識別的示例詳解
更新時間：2022年01月28日 15:17:49 作者：醉意丶千層夢
Keras是一個由Python編寫的開源人工神經(jīng)網(wǎng)絡庫，可用于深度學習模型的設計、調(diào)試、評估、應用和可視化。本文將基于keras訓練實現(xiàn)微笑識別效果，需要的可以參考一下
一、數(shù)據(jù)預處理
實驗數(shù)據(jù)來自genki4k
提取含有完整人臉的圖片
def init_file():
? ? num = 0
? ? bar = tqdm(os.listdir(read_path))
? ? for file_name in bar:
? ? ? ? bar.desc = "預處理圖片: "
? ? ? ? # a圖片的全路徑
? ? ? ? img_path = (read_path + "/" + file_name)
? ? ? ? # 讀入的圖片的路徑中含非英文
? ? ? ? img = cv2.imdecode(np.fromfile(img_path, dtype=np.uint8), cv2.IMREAD_UNCHANGED)
? ? ? ? # 獲取圖片的寬高
? ? ? ? img_shape = img.shape
? ? ? ? img_height = img_shape[0]
? ? ? ? img_width = img_shape[1]
? ? ? ? # 用來存儲生成的單張人臉的路徑
? ? ? ? # dlib檢測
? ? ? ? dets = detector(img, 1)
? ? ? ? for k, d in enumerate(dets):
? ? ? ? ? ? if len(dets) > 1:
? ? ? ? ? ? ? ? continue
? ? ? ? ? ? num += 1
? ? ? ? ? ? # 計算矩形大小
? ? ? ? ? ? # (x,y), (寬度width, 高度height)
? ? ? ? ? ? # pos_start = tuple([d.left(), d.top()])
? ? ? ? ? ? # pos_end = tuple([d.right(), d.bottom()])
? ? ? ? ? ? # 計算矩形框大小
? ? ? ? ? ? height = d.bottom() - d.top()
? ? ? ? ? ? width = d.right() - d.left()
? ? ? ? ? ? # 根據(jù)人臉大小生成空的圖像
? ? ? ? ? ? img_blank = np.zeros((height, width, 3), np.uint8)
? ? ? ? ? ? for i in range(height):
? ? ? ? ? ? ? ? if d.top() + i >= img_height: ?# 防止越界
? ? ? ? ? ? ? ? ? ? continue
? ? ? ? ? ? ? ? for j in range(width):
? ? ? ? ? ? ? ? ? ? if d.left() + j >= img_width: ?# 防止越界
? ? ? ? ? ? ? ? ? ? ? ? continue
? ? ? ? ? ? ? ? ? ? img_blank[i][j] = img[d.top() + i][d.left() + j]
? ? ? ? ? ? img_blank = cv2.resize(img_blank, (200, 200), interpolation=cv2.INTER_CUBIC)
? ? ? ? ? ? # 保存圖片
? ? ? ? ? ? cv2.imencode('.jpg', img_blank)[1].tofile(save_path + "/" + "file" + str(num) + ".jpg")
? ? logging.info("一共", len(os.listdir(read_path)), "個樣本")
? ? logging.info("有效樣本", num)二、訓練模型
創(chuàng)建模型
# 創(chuàng)建網(wǎng)絡
def create_model():
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(150, 150, 3)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(128, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(128, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Flatten())
model.add(layers.Dropout(0.5))
model.add(layers.Dense(512, activation='relu'))
model.add(layers.Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy',
optimizer=optimizers.RMSprop(lr=1e-4),
metrics=['acc'])
return model
訓練模型
# 訓練模型 def train_model(model): ? ? # 歸一化處理 ? ? train_datagen = ImageDataGenerator( ? ? ? ? rescale=1. / 255, ? ? ? ? rotation_range=40, ? ? ? ? width_shift_range=0.2, ? ? ? ? height_shift_range=0.2, ? ? ? ? shear_range=0.2, ? ? ? ? zoom_range=0.2, ? ? ? ? horizontal_flip=True, ) ? ? test_datagen = ImageDataGenerator(rescale=1. / 255) ? ? train_generator = train_datagen.flow_from_directory( ? ? ? ? # This is the target directory ? ? ? ? train_dir, ? ? ? ? # All images will be resized to 150x150 ? ? ? ? target_size=(150, 150), ? ? ? ? batch_size=32, ? ? ? ? # Since we use binary_crossentropy loss, we need binary labels ? ? ? ? class_mode='binary') ? ? validation_generator = test_datagen.flow_from_directory( ? ? ? ? validation_dir, ? ? ? ? target_size=(150, 150), ? ? ? ? batch_size=32, ? ? ? ? class_mode='binary') ? ? history = model.fit_generator( ? ? ? ? train_generator, ? ? ? ? steps_per_epoch=60, ? ? ? ? epochs=12, ? ? ? ? validation_data=validation_generator, ? ? ? ? validation_steps=30) ? ? # 保存模型 ? ? save_path = "../output/model" ? ? if not os.path.exists(save_path): ? ? ? ? os.makedirs(save_path) ? ? model.save(save_path + "/smileDetect.h5") ? ? return history
訓練結(jié)果
準確率
丟失率
訓練過程
三、預測
通過讀取攝像頭內(nèi)容進行預測
def rec(img):
? ? gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
? ? dets = detector(gray, 1)
? ? if dets is not None:
? ? ? ? for face in dets:
? ? ? ? ? ? left = face.left()
? ? ? ? ? ? top = face.top()
? ? ? ? ? ? right = face.right()
? ? ? ? ? ? bottom = face.bottom()
? ? ? ? ? ? cv2.rectangle(img, (left, top), (right, bottom), (0, 255, 0), 2)
? ? ? ? ? ? img1 = cv2.resize(img[top:bottom, left:right], dsize=(150, 150))
? ? ? ? ? ? img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2RGB)
? ? ? ? ? ? img1 = np.array(img1) / 255.
? ? ? ? ? ? img_tensor = img1.reshape(-1, 150, 150, 3)
? ? ? ? ? ? prediction = model.predict(img_tensor)
? ? ? ? ? ? if prediction[0][0] > 0.5:
? ? ? ? ? ? ? ? result = 'unsmile'
? ? ? ? ? ? else:
? ? ? ? ? ? ? ? result = 'smile'
? ? ? ? ? ? cv2.putText(img, result, (left, top), font, 2, (0, 255, 0), 2, cv2.LINE_AA)
? ? ? ? cv2.imshow('Video', img)
while video.isOpened():
? ? res, img_rd = video.read()
? ? if not res:
? ? ? ? break
? ? rec(img_rd)
? ? if cv2.waitKey(1) & 0xFF == ord('q'):
? ? ? ? break效果
四、源代碼
pretreatment.py
import dlib ?# 人臉識別的庫dlib
import numpy as np ?# 數(shù)據(jù)處理的庫numpy
import cv2 ?# 圖像處理的庫OpenCv
import os
import shutil
from tqdm import tqdm
import logging
# dlib預測器
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor('../resources/shape_predictor_68_face_landmarks.dat')
# 原圖片路徑
read_path = "../resources/genki4k/files"
# 提取人臉存儲路徑
save_path = "../output/genki4k/files"
if not os.path.exists(save_path):
? ? os.makedirs(save_path)
# 新的數(shù)據(jù)集
data_dir = '../resources/data'
if not os.path.exists(data_dir):
? ? os.makedirs(data_dir)
# 訓練集
train_dir = data_dir + "/train"
if not os.path.exists(train_dir):
? ? os.makedirs(train_dir)
# 驗證集
validation_dir = os.path.join(data_dir, 'validation')
if not os.path.exists(validation_dir):
? ? os.makedirs(validation_dir)
# 測試集
test_dir = os.path.join(data_dir, 'test')
if not os.path.exists(test_dir):
? ? os.makedirs(test_dir)
# 初始化訓練數(shù)據(jù)
def init_data(file_list):
? ? # 如果不存在文件夾則新建
? ? for file_path in file_list:
? ? ? ? if not os.path.exists(file_path):
? ? ? ? ? ? os.makedirs(file_path)
? ? ? ? # 存在則清空里面所有數(shù)據(jù)
? ? ? ? else:
? ? ? ? ? ? for i in os.listdir(file_path):
? ? ? ? ? ? ? ? path = os.path.join(file_path, i)
? ? ? ? ? ? ? ? if os.path.isfile(path):
? ? ? ? ? ? ? ? ? ? os.remove(path)
def init_file():
? ? num = 0
? ? bar = tqdm(os.listdir(read_path))
? ? for file_name in bar:
? ? ? ? bar.desc = "預處理圖片: "
? ? ? ? # a圖片的全路徑
? ? ? ? img_path = (read_path + "/" + file_name)
? ? ? ? # 讀入的圖片的路徑中含非英文
? ? ? ? img = cv2.imdecode(np.fromfile(img_path, dtype=np.uint8), cv2.IMREAD_UNCHANGED)
? ? ? ? # 獲取圖片的寬高
? ? ? ? img_shape = img.shape
? ? ? ? img_height = img_shape[0]
? ? ? ? img_width = img_shape[1]
? ? ? ? # 用來存儲生成的單張人臉的路徑
? ? ? ? # dlib檢測
? ? ? ? dets = detector(img, 1)
? ? ? ? for k, d in enumerate(dets):
? ? ? ? ? ? if len(dets) > 1:
? ? ? ? ? ? ? ? continue
? ? ? ? ? ? num += 1
? ? ? ? ? ? # 計算矩形大小
? ? ? ? ? ? # (x,y), (寬度width, 高度height)
? ? ? ? ? ? # pos_start = tuple([d.left(), d.top()])
? ? ? ? ? ? # pos_end = tuple([d.right(), d.bottom()])
? ? ? ? ? ? # 計算矩形框大小
? ? ? ? ? ? height = d.bottom() - d.top()
? ? ? ? ? ? width = d.right() - d.left()
? ? ? ? ? ? # 根據(jù)人臉大小生成空的圖像
? ? ? ? ? ? img_blank = np.zeros((height, width, 3), np.uint8)
? ? ? ? ? ? for i in range(height):
? ? ? ? ? ? ? ? if d.top() + i >= img_height: ?# 防止越界
? ? ? ? ? ? ? ? ? ? continue
? ? ? ? ? ? ? ? for j in range(width):
? ? ? ? ? ? ? ? ? ? if d.left() + j >= img_width: ?# 防止越界
? ? ? ? ? ? ? ? ? ? ? ? continue
? ? ? ? ? ? ? ? ? ? img_blank[i][j] = img[d.top() + i][d.left() + j]
? ? ? ? ? ? img_blank = cv2.resize(img_blank, (200, 200), interpolation=cv2.INTER_CUBIC)
? ? ? ? ? ? # 保存圖片
? ? ? ? ? ? cv2.imencode('.jpg', img_blank)[1].tofile(save_path + "/" + "file" + str(num) + ".jpg")
? ? logging.info("一共", len(os.listdir(read_path)), "個樣本")
? ? logging.info("有效樣本", num)
# 劃分數(shù)據(jù)集
def divide_data(file_path, message, begin, end):
? ? files = ['file{}.jpg'.format(i) for i in range(begin, end)]
? ? bar = tqdm(files)
? ? bar.desc = message
? ? for file in bar:
? ? ? ? src = os.path.join(save_path, file)
? ? ? ? dst = os.path.join(file_path, file)
? ? ? ? shutil.copyfile(src, dst)
if __name__ == "__main__":
? ? init_file()
? ? positive_train_dir = os.path.join(train_dir, 'smile')
? ? negative_train_dir = os.path.join(train_dir, 'unSmile')
? ? positive_validation_dir = os.path.join(validation_dir, 'smile')
? ? negative_validation_dir = os.path.join(validation_dir, 'unSmile')
? ? positive_test_dir = os.path.join(test_dir, 'smile')
? ? negative_test_dir = os.path.join(test_dir, 'unSmile')
? ? file_list = [positive_train_dir, positive_validation_dir, positive_test_dir,
? ? ? ? ? ? ? ? ?negative_train_dir, negative_validation_dir, negative_test_dir]
? ? init_data(file_list)
? ? divide_data(positive_train_dir, "劃分訓練集正樣本", 1, 1001)
? ? divide_data(negative_train_dir, "劃分訓練集負樣本", 2200, 3200)
? ? divide_data(positive_validation_dir, "劃分驗證集正樣本", 1000, 1500)
? ? divide_data(negative_validation_dir, "劃分驗證集負樣本", 3000, 3500)
? ? divide_data(positive_test_dir, "劃分測試集正樣本", 1500, 2000)
? ? divide_data(negative_test_dir, "劃分測試集負樣本", 2800, 3500)train.py
import os
from keras import layers
from keras import models
from tensorflow import optimizers
import matplotlib.pyplot as plt
from keras.preprocessing.image import ImageDataGenerator
train_dir = "../resources/data/train"
validation_dir = "../resources/data/validation"
# 創(chuàng)建網(wǎng)絡
def create_model():
? ? model = models.Sequential()
? ? model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(150, 150, 3)))
? ? model.add(layers.MaxPooling2D((2, 2)))
? ? model.add(layers.Conv2D(64, (3, 3), activation='relu'))
? ? model.add(layers.MaxPooling2D((2, 2)))
? ? model.add(layers.Conv2D(128, (3, 3), activation='relu'))
? ? model.add(layers.MaxPooling2D((2, 2)))
? ? model.add(layers.Conv2D(128, (3, 3), activation='relu'))
? ? model.add(layers.MaxPooling2D((2, 2)))
? ? model.add(layers.Flatten())
? ? model.add(layers.Dropout(0.5))
? ? model.add(layers.Dense(512, activation='relu'))
? ? model.add(layers.Dense(1, activation='sigmoid'))
? ? model.compile(loss='binary_crossentropy',
? ? ? ? ? ? ? ? ? optimizer=optimizers.RMSprop(lr=1e-4),
? ? ? ? ? ? ? ? ? metrics=['acc'])
? ? return model
# 訓練模型
def train_model(model):
? ? # 歸一化處理
? ? train_datagen = ImageDataGenerator(
? ? ? ? rescale=1. / 255,
? ? ? ? rotation_range=40,
? ? ? ? width_shift_range=0.2,
? ? ? ? height_shift_range=0.2,
? ? ? ? shear_range=0.2,
? ? ? ? zoom_range=0.2,
? ? ? ? horizontal_flip=True, )
? ? test_datagen = ImageDataGenerator(rescale=1. / 255)
? ? train_generator = train_datagen.flow_from_directory(
? ? ? ? # This is the target directory
? ? ? ? train_dir,
? ? ? ? # All images will be resized to 150x150
? ? ? ? target_size=(150, 150),
? ? ? ? batch_size=32,
? ? ? ? # Since we use binary_crossentropy loss, we need binary labels
? ? ? ? class_mode='binary')
? ? validation_generator = test_datagen.flow_from_directory(
? ? ? ? validation_dir,
? ? ? ? target_size=(150, 150),
? ? ? ? batch_size=32,
? ? ? ? class_mode='binary')
? ? history = model.fit_generator(
? ? ? ? train_generator,
? ? ? ? steps_per_epoch=60,
? ? ? ? epochs=12,
? ? ? ? validation_data=validation_generator,
? ? ? ? validation_steps=30)
? ? # 保存模型
? ? save_path = "../output/model"
? ? if not os.path.exists(save_path):
? ? ? ? os.makedirs(save_path)
? ? model.save(save_path + "/smileDetect.h5")
? ? return history
# 展示訓練結(jié)果
def show_results(history):
? ? # 數(shù)據(jù)增強過后的訓練集與驗證集的精確度與損失度的圖形
? ? acc = history.history['acc']
? ? val_acc = history.history['val_acc']
? ? loss = history.history['loss']
? ? val_loss = history.history['val_loss']
? ? # 繪制結(jié)果
? ? epochs = range(len(acc))
? ? plt.plot(epochs, acc, 'bo', label='Training acc')
? ? plt.plot(epochs, val_acc, 'b', label='Validation acc')
? ? plt.title('Training and validation accuracy')
? ? plt.legend()
? ? plt.figure()
? ? plt.plot(epochs, loss, 'bo', label='Training loss')
? ? plt.plot(epochs, val_loss, 'b', label='Validation loss')
? ? plt.title('Training and validation loss')
? ? plt.legend()
? ? plt.show()
if __name__ == "__main__":
? ? model = create_model()
? ? history = train_model(model)
? ? show_results(history)predict.py
import os
from keras import layers
from keras import models
from tensorflow import optimizers
import matplotlib.pyplot as plt
from keras.preprocessing.image import ImageDataGenerator
train_dir = "../resources/data/train"
validation_dir = "../resources/data/validation"
# 創(chuàng)建網(wǎng)絡
# 檢測視頻或者攝像頭中的人臉
import cv2
from keras.preprocessing import image
from keras.models import load_model
import numpy as np
import dlib
from PIL import Image
model = load_model('../output/model/smileDetect.h5')
detector = dlib.get_frontal_face_detector()
video = cv2.VideoCapture(0)
font = cv2.FONT_HERSHEY_SIMPLEX
def rec(img):
? ? gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
? ? dets = detector(gray, 1)
? ? if dets is not None:
? ? ? ? for face in dets:
? ? ? ? ? ? left = face.left()
? ? ? ? ? ? top = face.top()
? ? ? ? ? ? right = face.right()
? ? ? ? ? ? bottom = face.bottom()
? ? ? ? ? ? cv2.rectangle(img, (left, top), (right, bottom), (0, 255, 0), 2)
? ? ? ? ? ? img1 = cv2.resize(img[top:bottom, left:right], dsize=(150, 150))
? ? ? ? ? ? img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2RGB)
? ? ? ? ? ? img1 = np.array(img1) / 255.
? ? ? ? ? ? img_tensor = img1.reshape(-1, 150, 150, 3)
? ? ? ? ? ? prediction = model.predict(img_tensor)
? ? ? ? ? ? if prediction[0][0] > 0.5:
? ? ? ? ? ? ? ? result = 'unsmile'
? ? ? ? ? ? else:
? ? ? ? ? ? ? ? result = 'smile'
? ? ? ? ? ? cv2.putText(img, result, (left, top), font, 2, (0, 255, 0), 2, cv2.LINE_AA)
? ? ? ? cv2.imshow('Video', img)
while video.isOpened():
? ? res, img_rd = video.read()
? ? if not res:
? ? ? ? break
? ? rec(img_rd)
? ? if cv2.waitKey(1) & 0xFF == ord('q'):
? ? ? ? break
video.release()
cv2.destroyAllWindows()以上就是Python基于keras訓練實現(xiàn)微笑識別的示例詳解的詳細內(nèi)容，更多關于Python keras微笑識別的資料請關注腳本之家其它相關文章！
相關文章
Python?pyecharts?Map地圖數(shù)據(jù)不顯示的原因及完美解決
這篇文章主要給大家介紹了關于Python?pyecharts?Map地圖數(shù)據(jù)不顯示的原因及解決辦法,pyecharts是一款將python與echarts結(jié)合的強大的數(shù)據(jù)可視化工具,文中通過圖文以及代碼示例介紹的非常詳細,需要的朋友可以參考下2023-12-12
Python cookbook(數(shù)據(jù)結(jié)構(gòu)與算法)將名稱映射到序列元素中的方法
這篇文章主要介紹了Python cookbook(數(shù)據(jù)結(jié)構(gòu)與算法)將名稱映射到序列元素中的方法,結(jié)合實例形式分析了Python使用collections.namedtuple()進行元組命名相關操作技巧,需要的朋友可以參考下2018-03-03
今天小編就為大家分享一篇Python 旋轉(zhuǎn)打印各種矩形的方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-07-07
詳解python?sklearn中的數(shù)據(jù)預處理方法
本篇文章主要講解Python的sklearn庫中常用的數(shù)據(jù)預處理方法,主要介紹工具中的內(nèi)容,即該庫中的相關方法包含的常用接口和基本使用,希望對大家有所幫助2023-08-08
這篇文章主要介紹的是Python語法中的模糊語義，下面文章具體內(nèi)容包括切片不執(zhí)行越界檢查和報錯、空列表的創(chuàng)建、閉包的延遲綁定,需要的朋友可以參考一下2021-11-11
pycharm 實現(xiàn)顯示project 選項卡的方法
今天小編就為大家分享一篇pycharm 實現(xiàn)顯示project 選項卡的方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-01-01
這篇文章主要介紹了python模仿網(wǎng)頁版微信發(fā)送消息功能，具有一定的參考價值，感興趣的小伙伴們可以參考一下2018-02-02
大家好，本篇文章主要講的是python實現(xiàn)新年倒計時實例代碼，昂星期的同學趕快來看一看吧，對你有幫助的話記得收藏一下，方便下次瀏覽2021-12-12
作為研究深度學習的一員,經(jīng)常會遇到各種突如其來的bug,最近又碰到了一個關于spyder打開后又閃退的問題,下面這篇文章主要給大家介紹了關于Anaconda安裝后Spyder閃退的解決辦法,需要的朋友可以參考下2023-04-04
本文主要介紹了Python?最短路徑的幾種求解方式，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2022-04-04