tensorflow实战小项目——面部表情识别(4)
2018-07-04 12:17
141 查看
在前文中,我们已经构建好了CNN网络,并且在50000轮后跑出了93.4%的训练准确率。
下面,我们就要来实现从摄像头来识别人脸并对我们做出的表情做出判断。
从摄像头来识别人脸,我们要用到openCV技术以及写好的人脸识别器。人脸识别器有许多种,我们此次选用haarcascade_frontalface_default.xml这个分类器。
使用摄像头截取人像的时候,我们将摄像头此时的一帧图像截取并保存下来。代码如下:
import cv2 ###调用电脑摄像头检测人脸并截图 def CatchPICFromVideo(window_name, camera_idx, catch_pic_num, path_name): cv2.namedWindow(window_name) #视频来源,可以来自一段已存好的视频,也可以直接来自USB摄像头 cap = cv2.VideoCapture(camera_idx) #告诉OpenCV使用人脸识别分类器 classfier = cv2.CascadeClassifier\ ("C:\\Users\\Desktop\\project\\dataset\\haarcascade_frontalface_default.xml") #识别出人脸后要画的边框的颜色,RGB格式, color是一个不可增删的数组 color = (0, 255, 0) num = 0 while cap.isOpened(): ok, frame = cap.read() #读取一帧数据 if not ok: break grey = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) #将当前桢图像转换成灰度图像 #人脸检测,1.2和2分别为图片缩放比例和需要检测的有效点数 faceRects = classfier.detectMultiScale(grey, scaleFactor = 1.2, minNeighbors = 3, minSize = (32, 32)) if len(faceRects) > 0: #大于0则检测到人脸 for faceRect in faceRects: #单独框出每一张人脸 x, y, w, h = faceRect #将当前帧保存为图片 img_name = "%s/%d.jpg" % (path_name, num) #print(img_name) image = frame[y - 10: y + h + 10, x - 10: x + w + 10] cv2.imwrite(img_name, image,[int(cv2.IMWRITE_PNG_COMPRESSION), 9]) num += 1 if num > (catch_pic_num): #如果超过指定最大保存数量退出循环 break #画出矩形框 cv2.rectangle(frame, (x - 10, y - 10), (x + w + 10, y + h + 10), color, 2) #显示当前捕捉到了多少人脸图片了,这样站在那里被拍摄时心里有个数,不用两眼一抹黑傻等着 font = cv2.FONT_HERSHEY_SIMPLEX cv2.putText(frame,'num:%d/100' % (num),(x + 30, y + 30), font, 1, (255,0,255),4) #超过指定最大保存数量结束程序 if num > (catch_pic_num): break #显示图像 cv2.imshow(window_name, frame) c = cv2.waitKey(10) if c & 0xFF == ord('q'): break #释放摄像头并销毁所有窗口 cap.release() cv2.destroyAllWindows()这样调用CatchPICFromVideo()这个函数可以生成瞬时帧的图片,并将其命名为0.jpg。接着,我们将截下来的图片进行裁剪,使之大小为48*48,并处理为灰阶位图,便于导入网络中进行预测。
import tensorflow as tf def process(): img = tf.gfile.GFile('C:\\Users\\huang\\Desktop\\project\\image\\0.jpg', 'rb').read() with tf.Session() as sess: img_data = tf.image.decode_jpeg(img) #将图像编码转化为实数形式# resized = tf.image.resize_images(img_data, [48, 48], method=1) #将图像转化为灰度图像 image_data = sess.run(tf.image.rgb_to_grayscale(resized)) #将处理过的图像进行解码 encoded_image = tf.image.encode_jpeg(image_data) #将处理好的图像进行保存 with tf.gfile.GFile("C:\\Users\\huang\\Desktop\\project\\image\\60.jpg", "wb") as f: f.write(encoded_image.eval())这之后我们就能得到一个48*48的灰阶位图。 阅读更多
相关文章推荐
- tensorflow实战小项目——面部表情识别(5)
- Tensorflow项目实战一:MNIST手写数字识别
- TensorFlow项目实战:验证码识别
- 深度学习与TensorFlow实战(六)全连接网络基础—MNIST数据集输出手写数字识别准确率
- Tensorflow实战——利用多层感知机识别手写数字
- TensorFlow:实战Google深度学习框架(四)MINIST数据集识别问题
- TensorFlow实战——CNN(LeNet5)——MNIST数字识别
- TensorFlow实战-mnist手写数字识别(卷积神经网络)
- 面部表情自动识别技术及在游戏行业的应用
- TensorFlow:实战Google深度学习框架(五)图像识别与卷积神经网络
- TensorFlow 中文资源精选,官方网站,安装教程,入门教程,实战项目,学习路径
- TensorFlow实战之Softmax Regression识别手写数字
- 【免费参会】TUP第十四期:模式识别项目实战
- TensorFlow技术解析与实战 10 人脸识别
- Tensorflow实战Google-第五章mnist数字识别
- [TensorFlow实战] 构建LeNet实现手写数字识别
- 【备忘】2017年深度学习之Tensorflow项目实战视频课程-文本分类
- 人脸面部表情识别系统的设计(opencv)
- 机器学习/深度学习个人进阶日志-基于Tensorflow的手写数字识别项目最终篇
- tensorflow实战一---基于线性回归简单实现mnist手写体识别