一、人脸微笑识别

1.准备工作

需要安装tensorflow、keras以及dlib。

2.genki4k笑脸数据集准备

下载图像数据集genki4k.tar，把它解压到相应的目录（我的目录是在jupyter工作目录下的GENKI4K-datasets目录下）
在这里插入图片描述
可以看到里面有些许不合格的数据，我们需要将其剔除。

导入需要的包

import keras #导入人工神经网络库
import matplotlib.pyplot as plt # matplotlib进行画图
import matplotlib.image as mpimg # # mpimg 用于读取图片
import numpy as np # numpy操作数组
from IPython.display import Image #显示图像
import os #os：操作系统接口

划分数据集

（在GENKI4K-dataset同级目录下会产生一个GENKI4K-data的文件夹，包括 train :训练集；validation：验证集；test：测试集。）

# 原目录的路径
original_dataset_dir = 'GENKI4K-datasets'# 结果路径，存储较小的数据集
base_dir = 'GENKI4K-data'
os.mkdir(base_dir)# 训练目录，验证和测试拆分
train_dir = os.path.join(base_dir, 'train')
os.mkdir(train_dir)
validation_dir = os.path.join(base_dir, 'validation')
os.mkdir(validation_dir)
test_dir = os.path.join(base_dir, 'test')
os.mkdir(test_dir)# 训练微笑图片目录
train_smile_dir = os.path.join(train_dir, 'smile')
os.mkdir(train_smile_dir)# 训练没微笑图片目录
train_unsmile_dir = os.path.join(train_dir, 'unsmile')
#s.mkdir(train_dogs_dir)# 验证的微笑图片目录
validation_smile_dir = os.path.join(validation_dir, 'smile')
os.mkdir(validation_smile_dir)# 验证的没微笑图片目录
validation_unsmile_dir = os.path.join(validation_dir, 'unsmile')
os.mkdir(validation_unsmile_dir)# 测试的微笑图片目录
test_smile_dir = os.path.join(test_dir, 'smile')
os.mkdir(test_smile_dir)# 测试的没微笑图片目录
test_unsmile_dir = os.path.join(test_dir, 'unsmile')
os.mkdir(test_unsmile_dir)

分配数据集，可以使用人为划分和代码划分
进行一次检查，计算每个分组中有多少张照片(训练/验证/测试)

print('total training smile images:', len(os.listdir(train_smile_dir)))
print('total training unsmile images:', len(os.listdir(train_umsmile_dir)))
print('total testing smile images:', len(os.listdir(test_smile_dir)))
print('total testing unsmile images:', len(os.listdir(test_umsmile_dir)))
print('total validation smile images:', len(os.listdir(validation_smile_dir)))
print('total validation unsmile images:', len(os.listdir(validation_unsmile_dir)))

在这里插入图片描述
有2400个训练图像，然后是600个验证图像，1200个测试图像，其中每个分类都有相同数量的样本，是一个平衡的二元分类问题，意味着分类准确度将是合适的度量标准。

3.网络模型

from keras import layers
from keras import models
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.Dense(512, activation='relu'))
model.add(layers.Dense(1, activation='sigmoid'))

model.summary()

在这里插入图片描述
在编译步骤里，使用RMSprop优化器。由于用一个单一的神经元(Sigmoid的激活函数）结束了网络，将使用二进制交叉熵(binary crossentropy)作为损失函数

from keras import optimizers
model.compile(loss='binary_crossentropy',optimizer=optimizers.RMSprop(lr=1e-4),metrics=['acc'])

4.数据预处理

from keras.preprocessing.image import ImageDataGenerator
# 所有的图像将重新进行归一化处理　Rescaled by 1./255
train_datagen = ImageDataGenerator(rescale=1./255)
validation_datagen=ImageDataGenerator(rescale=1./255)
test_datagen = ImageDataGenerator(rescale=1./255)
# 直接从目录读取图像数据
train_generator = train_datagen.flow_from_directory(# 训练图像的目录train_dir,# 所有图像大小会被转换成150x150target_size=(150, 150),# 每次产生20个图像的批次batch_size=20,# 由于这是一个二元分类问题，y的label值也会被转换成二元的标签class_mode='binary')
# 直接从目录读取图像数据
validation_generator = test_datagen.flow_from_directory(validation_dir,target_size=(150, 150),batch_size=20,class_mode='binary')
test_generator = test_datagen.flow_from_directory(test_dir,target_size=(150, 150),batch_size=20,class_mode='binary')

在这里插入图片描述

for data_batch, labels_batch in train_generator:print('data batch shape:', data_batch.shape)print('labels batch shape:', labels_batch)break

在这里插入图片描述
输出结果的0（笑脸）和1（非笑脸）

train_generator.class_indices

在这里插入图片描述

5.开始训练

epochs值为训练轮数

history = model.fit_generator(train_generator,steps_per_epoch=120,epochs=10,validation_data=validation_generator,validation_steps=50)

在这里插入图片描述
训练集中共有1200张，选择10轮训练，每轮120张
训练完后将模型保存下来

model.save('GENKI4K-data/smileAndUnsmile_1.h5')

使用图表来绘制在训练过程中模型对训练和验证数据的损失(loss)和准确性(accuracy)数据

在这里插入图片描述

6.数据增强

datagen = ImageDataGenerator(rotation_range=40,width_shift_range=0.2,height_shift_range=0.2,shear_range=0.2,zoom_range=0.2,horizontal_flip=True,fill_mode='nearest')

查看增强后的图片例子

import matplotlib.pyplot as plt
# 图像预处理功能模块
from keras.preprocessing import image
# 取得训练数据集中微笑的图片列表
fnames = [os.path.join(train_smile_dir, fname) for fname in os.listdir(train_smile_dir)]
img_path = fnames[3] # 取一个图像
img = image.load_img(img_path, target_size=(150, 150)) # 读入图像并进行大小处理
x = image.img_to_array(img) # 转换成Numpy array 并且shape(150,150,3)
x = x.reshape((1,) + x.shape) # 重新Reshape成(1,150,150,3)以便输入到模型中
# 通过flow()方法将会随机产生新的图像，它会无线循环，所以我们需要在某个时候“断开”循环
i = 0
for batch in datagen.flow(x, batch_size=1):plt.figure(i)imgplot = plt.imshow(image.array_to_img(batch[0]))i += 1if i % 4 == 0:break
plt.show()

在这里插入图片描述

7.创建新的网络

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'])

开始训练模型

#归一化处理
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,)# 注意，验证数据不应该扩充
test_datagen = ImageDataGenerator(rescale=1./255)train_generator = train_datagen.flow_from_directory(# 这是图像资料的目录train_dir,# 所有的图像大小会被转换成150x150target_size=(150, 150),batch_size=32,# 由于这是一个二元分类问题，y的label值也会被转换成二元的标签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=100,epochs=60,  validation_data=validation_generator,validation_steps=50)

在这里插入图片描述
训练完成后查看结果

train_generator.class_indices

在这里插入图片描述
依旧是：0为笑脸 1为非笑脸
保存模型

model.save('GENKI4K-data/smileAndUnsmile_2.h5')

数据增强后的训练集与验证集的精确度与损失度

acc = history.history['acc']
val_acc = history.history['val_acc']
loss = history.history['loss']
val_loss = history.history['val_loss']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()

在这里插入图片描述
我们发现验证的loss值有所下降，并且和训练集的loss值（较高）差距较大，同时验证集的精确度也在增加，所以数据增强后还是有效果的。

8.对单张图片的笑脸测试

# 单张图片进行判断  是笑脸还是非笑脸
from keras.preprocessing import image
from keras.models import load_model
import numpy as np
#加载模型
model = load_model('GENKI4K-data/smileAndUnsmile_2.h5')
#本地图片路径
img_path='GENKI4K-data/stest.jpg'
img = image.load_img(img_path, target_size=(150, 150))img_tensor = image.img_to_array(img)/255.0
img_tensor = np.expand_dims(img_tensor, axis=0)
prediction =model.predict(img_tensor)  
print(prediction)
if prediction[0][0]>0.5:result='非笑脸'
else:result='笑脸'
print(result)

stest.jpg为下图
在这里插入图片描述
结果：

再来测试一张非笑脸

# 单张图片进行判断  是笑脸还是非笑脸
from keras.preprocessing import image
from keras.models import load_model
import numpy as np
#加载模型
model = load_model('GENKI4K-data/smileAndUnsmile_2.h5')
#本地图片路径
img_path='GENKI4K-data/ustest.jpg'
img = image.load_img(img_path, target_size=(150, 150))img_tensor = image.img_to_array(img)/255.0
img_tensor = np.expand_dims(img_tensor, axis=0)
prediction =model.predict(img_tensor)  
print(prediction)
if prediction[0][0]>0.5:result='非笑脸'
else:result='笑脸'
print(result)

ustest.jpg为下图
在这里插入图片描述
结果：

看来训练的模型还是比较准确的，但是我也拿了一样笑脸特征不是很明显的测试了一下，显示为笑脸，所以还是存在偏差的。

二、口罩识别

1.数据准备

下载好口罩数据集后我放到了jupyter工作目录下新建的maskdata里
在这里插入图片描述
简单看一下mask和nomask

——将正样本（有口罩）数据集重命名为连续序列，以便后面调整

#coding:utf-8
import os
path = "maskdata/mask" # 人脸口罩数据集正样本的路径
filelist = os.listdir(path)
count=1000 #开始文件名1000.jpg
for file in filelist:   Olddir=os.path.join(path,file)  if os.path.isdir(Olddir):  continuefilename=os.path.splitext(file)[0]   filetype=os.path.splitext(file)[1]Newdir=os.path.join(path,str(count)+filetype)  os.rename(Olddir,Newdir)count+=1

在这里插入图片描述
——同样对负样本也要处理

#coding:utf-8
import os
path = "maskdata/nomask" # 人脸口罩数据集负样本的路径
filelist = os.listdir(path)
count=10000 #开始文件名10000.jpg
for file in filelist:   Olddir=os.path.join(path,file)  if os.path.isdir(Olddir):  continuefilename=os.path.splitext(file)[0]   filetype=os.path.splitext(file)[1]Newdir=os.path.join(path,str(count)+filetype)  os.rename(Olddir,Newdir)count+=1

在这里插入图片描述
——正负样本数据集像素处理
①处理正样本

import pandas as pd
import cv2
for n in range(1000,1606):#代表正数据集中开始和结束照片的数字path='maskdata//mask//'+str(n)+'.jpg'# 读取图片img = cv2.imread(path)img=cv2.resize(img,(20,20)) #修改样本像素为20x20cv2.imwrite('maskdata//mask//' + str(n) + '.jpg', img)n += 1

处理后的
在这里插入图片描述
②处理负样本

#修改负样本像素
import pandas as pd
import cv2
for n in range(10000,11790):#代表负样本数据集中开始和结束照片的数字path='maskdata//nomask//'+str(n)+'.jpg'# 读取图片img = cv2.imread(path)img=cv2.resize(img,(80,80)) #修改样本像素为80x80cv2.imwrite('maskdata//nomask//' + str(n) + '.jpg', img)n += 1

处理后的
在这里插入图片描述
——划分数据集（在同级目录下会产生一个mask的文件夹，包括 train :训练集；validation：验证集；test：测试集。）

original_dataset_dir = 'maskdata' # 原始数据集的路径base_dir = 'maskout' # 存放图像数据集的目录
os.mkdir(base_dir)train_dir = os.path.join(base_dir, 'train') # 训练图像的目录
os.mkdir(train_dir)
validation_dir = os.path.join(base_dir, 'validation') # 验证图像的目录
os.mkdir(validation_dir)
test_dir = os.path.join(base_dir, 'test') # 测试图像的目录
os.mkdir(test_dir)train_havemask_dir = os.path.join(train_dir, 'mask') # 有口罩的图片的训练资料的目录
os.mkdir(train_havemask_dir)train_nomask_dir = os.path.join(train_dir, 'nomask') # 没有口罩的图片的训练资料的目录
os.mkdir(train_nomask_dir)validation_havemask_dir = os.path.join(validation_dir, 'mask') # 有口罩的图片的验证集目录
os.mkdir(validation_havemask_dir)validation_nomask_dir = os.path.join(validation_dir, 'nomask')# 没有口罩的图片的验证集目录
os.mkdir(validation_nomask_dir)test_havemask_dir = os.path.join(test_dir, 'mask') # 有口罩的图片的测试数据集目录
os.mkdir(test_havemask_dir)test_nomask_dir = os.path.join(test_dir, 'nomask') # 没有口罩的图片的测试数据集目录
os.mkdir(test_nomask_dir)

print('total training havemask images:', len(os.listdir(train_havemask_dir)))
print('total testing havemask images:', len(os.listdir(test_havemask_dir)))
print('total validation havemask images:', len(os.listdir(validation_havemask_dir)))
print('total training nomask images:', len(os.listdir(train_nomask_dir)))
print('total testing nomask images:', len(os.listdir(test_nomask_dir)))
print('total validation nomask images:', len(os.listdir(validation_nomask_dir)))

在这里插入图片描述
一共有600个训练图像，然后是300个验证图像，300个测试图像，其中每个分类都有相同数量的样本，是一个平衡的二元分类问题，意味着分类准确度将是合适的度量标准。

2.网络模型

#创建模型
from keras import layers
from keras import modelsmodel = 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.Dense(512, activation='relu'))
model.add(layers.Dense(1, activation='sigmoid'))

——看特征图的尺寸如何随着每个连续的图层而改变，打印网络结构

from keras import optimizersmodel.compile(loss='binary_crossentropy',optimizer=optimizers.RMSprop(lr=1e-4),metrics=['acc'])

3.数据预处理

from keras.preprocessing.image import ImageDataGenerator
# 所有的图像将重新进行归一化处理　Rescaled by 1./255
train_datagen = ImageDataGenerator(rescale=1./255)
validation_datagen=ImageDataGenerator(rescale=1./255)
test_datagen = ImageDataGenerator(rescale=1./255)
# 直接从目录读取图像数据
train_generator = train_datagen.flow_from_directory(# 训练图像的目录train_dir,# 所有图像大小会被转换成150x150target_size=(150, 150),# 每次产生20个图像的批次batch_size=20,# 由于这是一个二元分类问题，y的label值也会被转换成二元的标签class_mode='binary')
# 直接从目录读取图像数据
validation_generator = test_datagen.flow_from_directory(validation_dir,target_size=(150, 150),batch_size=20,class_mode='binary')
test_generator = test_datagen.flow_from_directory(test_dir,target_size=(150, 150),batch_size=20,class_mode='binary')

在这里插入图片描述
——图像张量生成器(generator)的输出，它产生150x150 RGB图像(形状"(20,150,150,3)")和二进制标签(形状"(20,)")的批次张量。20是每个批次中的样品数(批次大小)

for data_batch, labels_batch in train_generator:print('data batch shape:', data_batch.shape)print('labels batch shape:', labels_batch)break

在这里插入图片描述

4.开始训练

history = model.fit_generator(train_generator,steps_per_epoch=100,epochs=10,validation_data=validation_generator,validation_steps=50)

在这里插入图片描述
可以看出随着训练轮数的增加，训练集的loss值下降，acc精确度上升，但验证集就完全相反，这也是非常符合实际的。

——保存模型

model.save('maskout/maskAndNomask_1.h5')

——使用图表来绘制在训练过程中模型对训练和验证数据的损失(loss)和准确性(accuracy)数据

import matplotlib.pyplot as plt
# import h5pyacc = history.history['acc']
val_acc = history.history['val_acc']
loss = history.history['loss']
val_loss = history.history['val_loss']epochs = range(len(acc))
# print('acc:',acc)
# print('val_acc:',val_acc)
# print('loss:',loss)
# print('val_loss:',val_loss)
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()

在这里插入图片描述

5.使用数据增强

datagen = ImageDataGenerator(rotation_range=40,width_shift_range=0.2,height_shift_range=0.2,shear_range=0.2,zoom_range=0.2,horizontal_flip=True,fill_mode='nearest')

查看数据增强后的图片

import matplotlib.pyplot as plt
from keras.preprocessing import image
fnames = [os.path.join(train_havemask_dir, fname) for fname in os.listdir(train_havemask_dir)]
img_path = fnames[3]
img = image.load_img(img_path, target_size=(150, 150))
x = image.img_to_array(img)
x = x.reshape((1,) + x.shape)
i = 0
for batch in datagen.flow(x, batch_size=1):plt.figure(i)imgplot = plt.imshow(image.array_to_img(batch[0]))i += 1if i % 4 == 0:break
plt.show()

在这里插入图片描述
——对数据增强后的数据集加上dropout进行训练

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'])

#归一化处理
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,)# Note that the validation data should not be augmented!
test_datagen = ImageDataGenerator(rescale=1./255)train_generator = train_datagen.flow_from_directory(# This is the target directorytrain_dir,# All images will be resized to 150x150target_size=(150, 150),batch_size=32,# Since we use binary_crossentropy loss, we need binary labelsclass_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=100,epochs=60,  validation_data=validation_generator,validation_steps=50)

在这里插入图片描述
查看结果

train_generator.class_indices

0：口罩，1：无口罩
在这里插入图片描述
——保存模型

#保存模型
model.save('maskout/maskAndNomask_2.h5')

绘制数据增强后的训练集与验证集的精确度与损失度的图形，看一遍结果

acc = history.history['acc']
val_acc = history.history['val_acc']
loss = history.history['loss']
val_loss = history.history['val_loss']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()

在这里插入图片描述
我们可以发现加了dropout后精确度上升，loss下降

6.对单张人物测试是否戴了口罩

from keras.preprocessing import image
from keras.models import load_model
import numpy as npmodel = load_model('maskout//maskAndNomask_2.h5')img_path='maskout//masktest.jpg'img = image.load_img(img_path, target_size=(150, 150))
#print(img.size)
img_tensor = image.img_to_array(img)/255.0
img_tensor = np.expand_dims(img_tensor, axis=0)
prediction =model.predict(img_tensor)  
print(prediction)
if prediction[0][0]>0.5:result='未戴口罩'
else:result='戴口罩'
print(result)

在这里插入图片描述
masktest.jpg如下：

再来测试一下不戴口罩的识别

from keras.preprocessing import image
from keras.models import load_model
import numpy as npmodel = load_model('maskout//maskAndNomask_2.h5')img_path='maskout//nomasktest.jpg'img = image.load_img(img_path, target_size=(150, 150))
#print(img.size)
img_tensor = image.img_to_array(img)/255.0
img_tensor = np.expand_dims(img_tensor, axis=0)
prediction =model.predict(img_tensor)  
print(prediction)
if prediction[0][0]>0.5:result='未戴口罩'
else:result='戴口罩'
print(result)

在这里插入图片描述
nomasktest.jpg如下：

三、摄像头实时采集人脸、并对表情（笑脸/非笑脸）、戴口罩和没戴口罩的实时分类判读（输出分类文字）

1.笑脸实时检测识别

#检测视频或者摄像头中的人脸
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('GENKI4K-data/smileAndUnsmile_2.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:breakrec(img_rd)if cv2.waitKey(1) & 0xFF == ord('q'):break
video.release()
cv2.destroyAllWindows()

由于博主不爱笑，所以这里检测为unsmile（嘻嘻🤭）
在这里插入图片描述

2.是否戴口罩的实时检测识别

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('maskout/maskAndNomask_2.h5')
detector = dlib.get_frontal_face_detector()
# video=cv2.VideoCapture('media/video.mp4')
# video=cv2.VideoCapture('data/face_recognition.mp4')
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),(0,255,255),2)
def mask(img):img1=cv2.resize(img,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='no-mask'else:result='have-mask'cv2.putText(img, result, (100,200), font, 2, (255, 255, 100), 2, cv2.LINE_AA)cv2.imshow('Video', img)          
while video.isOpened():res, img_rd = video.read()if not res:break#将视频每一帧传入两个函数，分别用于圈出人脸与判断是否带口罩rec(img_rd)mask(img_rd)#q关闭窗口if cv2.waitKey(1) & 0xFF == ord('q'):break
video.release()
cv2.destroyAllWindows()

在这里插入图片描述

本次人脸表情识别和口罩识别利用卷积神经网路（CNN），博主本人也当了此次实验的实验对象，感觉能将自己和实验融合起来还挺有意思的。作为一个greenbird，欢迎大家来访和交流。

查看全文
如若内容造成侵权/违法违规/事实不符，请联系编程学习网邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！

iOS开发者账号同意协议绕开密码问题验证
最新大家可能发现,自己的开发者账号上面多了一个红框,让开发者同意更新的用户协议,这个协议是苹果那边更新了开发者协议,目的是为了让开发者在账号上添加手机号作为联系方式.C376FDDB-F7B4-467C-A5CE-027D63FCF122.png本来一个简单的更新操作,但是我们公司的账号在操作时确遇到…...
2024/4/1 1:50:22
3W字干货深入分析基于Micrometer和Prometheus实现度量和监控的方案
前提最近线上的项目使用了 spring-actuator 做度量统计收集，使用 Prometheus 进行数据收集， Grafana 进行数据展示，用于监控生成环境机器的性能指标和业务数据指标。一般，我们叫这样的操作为"埋点"。 SpringBoot 中的依赖 spring-actuator 中集成的度量统计API使…...
2024/4/16 7:55:14
绝对估值法和相对估值法
绝对估值法金融市场在估算企业价值的时候，常常用现金流贴现法。也就是Discounted Cash Flow（DCF）。该方法把企业未来折现的现金流加起来，计算企业的内在价值。自由现金流：一个企业的经营活动，扣除所有开支后，可以自由支配的钱股东盈余：一个公司未来可以帮股东赚到的净利…...
2024/4/19 20:13:32
阿里三面试题：为什么抽象类无法实例化，但是可以new出来实例？
背景，二面阿里过关，三面的时候面试官问了我很多难题,挑选一个作详细解析。大致的经过是这样的：他问的：“为什么抽象类无法实例化，但是可以new出来一个实例，官方这么说是什么意思?而且去了各类论坛,回答的都是比较含糊其辞，切不到重点。说什么是面向对象设计的规范balab…...
2024/4/16 7:54:38
深入理解Spring Boot数据源与连接池原理
【本文版权归微信公众号"代码艺术"（ID：onblog）所有，若是转载请务必保留本段原创声明，违者必究。若是文章有不足之处，欢迎关注微信公众号私信与我进行交流！】一：开始在使用Spring Boot数据源之前，我们一般会导入相关依赖。其中数据源核心依赖就是spring‐bo…...
2024/4/19 18:13:53
jQuery学习笔记——事件添加的特性以及方法
jQuery绑定事件的一些特性同一元素相同的后续事件不会覆盖前面的事件事件绑定与解绑同一元素相同的后续事件不会覆盖前面的事件//原生js中,相同元素注册相同的事件,后续的事件会把前面的事件覆盖掉document.getElementById(box).onclick = function(){console.log(js事件1)}do…...
2024/4/16 7:54:23
【Yii2】高级模板跨应用调用组件的最佳解决方案
项目需求在Yii2的高级模板中，可以创建多个应用。目前有两个应用网站管理后台其中网站使用pageCache作为缓存组件。由于使用缓存组件，导致后台的内容没有及时更新，所以，需要在后台创建模块，手动刷新网站的缓存。思路使用网站配置文件在后台注册组件也就是说，在缓…...
2024/4/19 13:47:47
淘宝开店怎么做运营？
为了增加商品的流量和销量，一些商家不得不发放一些优惠券来吸引消费者的目光，一些优惠券是直接通过店铺发放，还有一些是隐藏发放的，那么消费者知道淘宝隐藏优惠券在哪里领吗？卖家怎么设置优惠券呢？淘宝隐藏优惠券在哪里领？卖家怎么设置？一、淘宝隐藏优惠券在哪里领一…...
2024/5/4 16:01:04
某段代码执行多久
long t1 = System.currentTimeMillis();List<GoodsSelectDTO> goodsSelectDTOList = goodsService.getGoodsSelectUtilnbsp(companyId);System.out.println("queryTime=" + (System.currentTimeMillis() - t1));...
2024/4/16 7:53:42
在Ubuntu导入Tesorflow出错问题
文章目录 1.ImportError: libcusolver.so.10.0: cannot open shared object file: No such file… 分析：可能是cudnn未安装执行命令查看cudnn是否安装 cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2若有结果输出则表示cudnn已安装的，若没有结果，则需要进行…...
2024/4/16 7:54:33
Python 输出HTML实体字符（&#x***转html）
#!/usr/bin/env python # encoding: utf-8 """ 出关① 徐兰凭山俯海古边州，旆②影风翻见戍楼。马后桃花马前雪，出关争得不回头? [注]①关，指居庸关。②旆（pi），旌旗。 """ import html string = [注]&#9312关，指居庸关。&…...
2024/4/16 7:54:28
C语言练习题1：英文字母大小写转换
输入一行字符，判断其是否为英文字母，若是英文字母，则进行大小写转换，若不是英文字母，则不变。 #include <stdio.h>int main(){int i;char s[100];gets(s);for(i=0;s[i]!=0;i++)if(s[i]>=a&&s[i]<=z)s[i]=s[i]-32;else if(s[i]>=A&&s[i]<…...
2024/4/16 7:53:42
轻量级实时语义分割经典BiSeNet
基于轻量化网络模型的设计作为一个热门的研究方法，许多研究者都在运算量、参数量和精度之间寻找平衡，希望使用尽量少的运算量和参数量的同时获得较高的模型精度。目前，轻量级模型主要有SqueezeNet、MobileNet系列和ShuffleNet系列等，这些模型在图像分类领域取得了不错的效果…...
2024/4/28 19:26:22
连接docker容器中出现ERROR 1045 (28000): Access denied for user ‘root‘@‘localhost‘ (using password: YES)
问题复现 ERROR 1045 (28000): Access denied for user ‘root’@‘localhost’ (using password: YES) 很久没有登陆我的这个数据库容器，连不上。开始百度方法，说改配置文件，但是很遗憾，我创建容器的时候没有挂在配置文件。解决记录大前提：我是docker容器中的mysql 错…...
2024/4/16 7:54:33
[Codeforces Round #649 (Div. 2)]1364
文章目录A - XXXXX [思维]B - Sign Flipping [思维]C - Ehab and Prefix MEXs [构造][并查集]D - Ehabs Last Corollary [dfs环长度]比赛首页标准题解 A - XXXXX [思维] 目录题目传送门题意有 nnn 个数的数组 a[]a[]a[]，要使数组的总和%k!=0\% k != 0%k!=0 可以选择删去开…...
2024/4/17 22:03:49
AQS基本原理
什么是AQS？ AQS即AbstractQueuedSynchronizer,是一个用于构建锁和同步器的框架。它能降低构建锁和同步器的工作量，还可以避免处理多个位置上发生的竞争问题。在基于AQS构建的同步器中，只可能在一个时刻发生阻塞，从而降低上下文切换的开销，并提高吞吐量。 AQS支持独占锁（e…...
2024/5/2 20:15:38
算术表达式运算栈实现-数据结构-golang
算术表达式运算栈实现-数据结构-golang package mainimport ("fmt""log""strconv" )//运算符stack type opStack []string//操作数stack type dataStack []int//操作符的优先级标识 type priority map[string]map[string]intvar p = make(priori…...
2024/4/16 7:54:43
React-Native 二、登录注册模块开发
前段时间公司项目比较赶, 没时间写文章, 这两天闲下来了, 总结了一下, 写了一篇比较综合的UI项目, 登录注册模块, 包含UI 网络请求等功能, 希望对大家理解React Native的界面布局和网络请求有一定的帮助.项目可到github下载: https://github.com/YTiOSer/YTReact-Native_LoginU…...
2024/4/16 7:54:28
黑盒测试、白盒测试的定义
白盒测试是通过程序的源代码进行测试而不使用用户界面。这种类型的测试需要从代码句法发现内部代码在算法，溢出，路径，条件等等中的缺点或者错误，进而加以修正。黑盒测试是通过使用整个软件或某种软件功能来严格地测试, 而并没有通过检查程序的源代码或者很清楚地了解该软…...
2024/4/19 1:28:58
Python中如何使用类
（因为入职之后除了学术研究之外，还要做一些工程的事情，所以小刘同学以后还要学习一些python面向对象的用法，今天就先学习一下类是怎么继承的，这也算是个学习记录帖子）Python 面向对象Python从设计之初就已经是一门面向对象的语言，正因为如此，在Python中创建一个类和对象…...
2024/4/26 13:58:23

人脸微笑识别和口罩识别模型训练和测试（卷积神经网络CNN）及实时的微笑和口罩识别

目录

一、人脸微笑识别

1.准备工作

2.genki4k笑脸数据集准备

导入需要的包

划分数据集

3.网络模型

4.数据预处理

5.开始训练

6.数据增强

7.创建新的网络

8.对单张图片的笑脸测试

二、口罩识别

1.数据准备

2.网络模型

3.数据预处理

4.开始训练

5.使用数据增强

6.对单张人物测试是否戴了口罩

三、摄像头实时采集人脸、并对表情（笑脸/非笑脸）、戴口罩和没戴口罩的实时分类判读（输出分类文字）

1.笑脸实时检测识别

2.是否戴口罩的实时检测识别

相关文章

最新文章