在本教程中，我們將在 Raspberry Pi 4 上實現(xiàn)情緒識別系統(tǒng)或面部表情識別系統(tǒng)。我們將應用預訓練模型從實時視頻流中識別人的面部表情。 “ FER2013 ”??數(shù)據(jù)集用于在類似 VGG 的卷積神經(jīng)網(wǎng)絡 （CNN） 的幫助下訓練模型。

　　面部表情識別系統(tǒng)可用于多種應用。它可以用來研究或分析人類的情緒。許多公司正在植入面部表情識別系統(tǒng)來研究員工的抑郁程度。一些游戲公司正在應用面部識別系統(tǒng)來記錄游戲玩家在游戲過程中的滿意度。我們將在 Raspberry Pi 上實現(xiàn)一個簡單方便的系統(tǒng)來識別人的表情。

　　在樹莓派上執(zhí)行面部表情識別的步驟

　　要在樹莓派上實現(xiàn)表情識別，我們必須遵循下面提到的三個步驟。

　　Step-1：檢測輸入視頻流中的人臉。

　　第 2 步：找到人臉的感興趣區(qū)域 （ROI）。

　　Step-3：應用面部表情識別模型來預測人的表情。

　　我們在這里使用六個類別，即“憤怒”、“恐懼”、“快樂”、“中性”、“悲傷”、“驚喜”。因此，預測的圖像將屬于這些類別。我們之前已經(jīng)將 Raspberry Pi 用于其他一些圖像處理項目，例如 面部標志檢測 和 人臉識別應用程序，如果您有興趣，也可以查看它們。

　　面部表情識別所需的組件

　　該項目不涉及太多硬件，您只需要：

　　樹莓派

　　Pi 相機模塊

　　在這里，我們只需要在您的 Raspberry Pi 上安裝一個帶有 OpenCV 的 RPi4 和 Pi 攝像頭模塊。 OpenCV 在這里用于 數(shù)字圖像處理。數(shù)字圖像處理最常見的應用是 物體檢測、 人臉識別和 人數(shù)統(tǒng)計。

在樹莓派 4 上安裝 OpenCV

在安裝 OpenCV 和其他依賴項之前，Raspberry Pi 需要完全更新。使用以下命令將 Raspberry Pi 更新到其最新版本：

?

sudo apt-get 更新

?

然后使用以下命令安裝在 Raspberry Pi 上安裝 OpenCV 所需的依賴項。

?

sudo apt-get install libhdf5-dev -y
sudo apt-get install libhdf5-serial-dev –y
sudo apt-get install libatlas-base-dev –y
sudo apt-get install libjasper-dev -y
sudo apt-get install libqtgui4 –y
sudo apt-get install libqt4-test –y

?

之后，使用下面給出的命令在您的 Raspberry Pi 上安裝 OpenCV。

?

pip3 安裝 opencv-contrib-python==4.1.0.25

?

在樹莓派 4 上安裝 TensorFlow 和 Keras

在安裝 Tensorflow 和 Keras 之前，請安裝以下提到的所需庫。

?

sudo apt-get install python3-numpy
sudo apt-get install libblas-dev
sudo apt-get install liblapack-dev
sudo apt-get install python3-dev
sudo apt-get install libatlas-base-dev
sudo apt-get install gfortran
sudo apt-get install python3-setuptools
sudo apt-get install python3-scipy
sudo apt-get 更新
sudo apt-get install python3-h5py

?

Tensorflow 和 Keras 庫可以通過在終端中使用 pip（如果您將 python3 作為 raspberry pi 上的默認 python 環(huán)境，則使用 pip3 命令）命令安裝。

?

pip3 安裝張量流
pip3 安裝 keras

?

為面部表情識別編程 Raspberry Pi

?可以從以下鏈接下載 Raspberry Pi 項目目錄上的完整?面部表情識別。

樹莓派人臉表情識別項目目錄下載?

在這里，我們將解釋代碼的重要部分，以便更好地解釋。下載的項目文件夾包含一個子文件夾 (Haarcascades)、一個 Python 文件 (emotion1.py) 和模型 (ferjj.h5)。

通過導入下面提到的重要包來啟動代碼。

注意：我們使用TensorFlow API來導入Keras庫。

?

從 tensorflow.keras 導入順序
從 tensorflow.keras.models 導入 load_model
導入簡歷2
將 numpy 導入為 np
從 tensorflow.keras.preprocessing.image 導入 img_to_array

?

接下來，是使用從 Keras 庫導入的load_model()函數(shù)加載預訓練模型（在項目文件夾中提供） 。在下一行中，創(chuàng)建一個字典并將標簽分配給我們擁有的 6 個類。

?

# 我們有 6 個模型標簽
class_labels = {0：“憤怒”，1：“恐懼”，2：“快樂”，3：“中性”，4：“悲傷”，5：“驚喜”}
類=列表（class_labels.values（））
# 打?。悩撕灒?/pre>

	?

	現(xiàn)在，Haarcascade 分類器的路徑是通過使用OpenCV 庫中的CascadeClassifier()函數(shù)提供的。

	?
face_classifier = cv2.CascadeClassifier('./Haarcascades/haarcascade_frontalface_default.xml')

	?

	text_on_detected_boxes?()函數(shù)可用于設計檢測到的人臉的輸出標簽。text_on_detected_boxes()的參數(shù)?已經(jīng)有了它們的默認值。您可以根據(jù)需要更改這些。

	?
# 此函數(shù)用于設計預測圖像框上的覆蓋文本。
def text_on_detected_boxes(text,text_x,text_y,image,font_scale = 1,
                           字體 = cv2.FONT_HERSHEY_SIMPLEX，
                           FONT_COLOR = (0, 0, 0),
                           FONT_THICKNESS = 2,
                           rectangle_bgr = (0, 255, 0)):

	?

	　　在圖像上測試我們的面部表情識別：

	　　在face_detector_image（img）函數(shù)中， cvtColor（）函數(shù)用于將輸入圖像轉換為灰度。如下所示，此處拍攝的示例圖像被轉換為??灰度。

	

	　　然后從圖像中提取人臉的感興趣區(qū)域 （ ROI ）。該函數(shù)返回三個重要因素，即人臉的 ROI、人臉的坐標和原始圖像。已在檢測到的面部上繪制了一個矩形。將圖像轉換為灰度并在我們的 ROI 周圍繪制一個框的代碼如下所示。

	　def face_detector_image(img):

	?
    gray = cv2.cvtColor(img.copy(), cv2.COLOR_BGR2GRAY) # 將圖像轉換為灰度圖像
    faces = face_classifier.detectMultiScale(gray, 1.3, 5)
    如果面孔是（）：
        返回 (0, 0, 0, 0), np.zeros((48, 48), np.uint8), img
    所有人臉 = []
    矩形 = []
    對于面中的 (x, y, w, h)：
        cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)
        roi_gray = 灰色[y:y + h, x:x + w]
        roi_gray = cv2.resize(roi_gray, (48, 48), interpolation=cv2.INTER_AREA)
        allfaces.append(roi_gray)
        rects.append((x, w, y, h))
    返回 rects, allfaces, img

	?

	　　在程序的這一部分中，通過提供 ROI 值來應用模型。函數(shù)下的前兩行用于獲取輸入圖像并將其傳遞給face_detector_image（img）函數(shù)，如上一節(jié)所述。

	

	　　預測后，輸出結果與檢測到的人臉一起顯示。輸出結果顯示在我們之前創(chuàng)建的class_labels 字典中。我們正在使用text_on_detected_boxes（）函數(shù)來設計檢測到的面部上的標簽。imshow （）函數(shù)用于顯示窗口。

	

	　def 情感圖像（imgPath）：

	?
    img = cv2.imread(imgPath)
    rects, faces, image = face_detector_image(img)
    我 = 0
    面對面：
        roi = face.astype("float") / 255.0
        roi = img_to_array(roi)
        roi = np.expand_dims(roi, 軸 = 0)
        # 對 ROI 進行預測，然后查找類
        preds = 分類器.predict(roi)[0]
        標簽 = class_labels[preds.argmax()]
        label_position = (rects[i][0] + int((rects[i][1] / 2)), abs(rects[i][2] - 10))
        我 = + 1
        # 在圖片上疊加我們檢測到的情緒
        text_on_detected_boxes（標簽，label_position[0]，label_position[1]，圖像）
    cv2.imshow("情緒檢測器", image)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

	?

	視頻流上的面部表情識別：

	face_detector_video?(img)函數(shù)用于檢測視頻流上的人臉。我們將輸入幀作為圖像提供給此函數(shù)。此函數(shù)返回檢測到的人臉的坐標、人臉的感興趣區(qū)域 (ROI)和原始幀。rectangle()函數(shù)用于在檢測到的面上繪制一個重疊的矩形。

	?
def face_detector_video(img):
    # 將圖像轉換為灰度
    灰色 = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    faces = face_classifier.detectMultiScale(gray, 1.3, 5)
    如果面孔是（）：
        返回 (0, 0, 0, 0), np.zeros((48, 48), np.uint8), img
    對于面中的 (x, y, w, h)：
        cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 厚度=2)
        roi_gray = 灰色[y:y + h, x:x + w]
    roi_gray = cv2.resize(roi_gray, (48, 48), interpolation=cv2.INTER_AREA)
    返回 (x, w, y, h), roi_gray, img

	?

	在本節(jié)中，我們將應用我們的模型來識別視頻流上的表達，并在視頻流上實時顯示預測輸出。

	在前兩行中，我們從輸入視頻流中提取一幀。然后，將幀輸入face_detector_video(frame)函數(shù)。現(xiàn)在，分類器中的predict()函數(shù)用于預測檢測到的人臉的表情。然后我們?yōu)槟樕系拿總€預測分配class_labels。現(xiàn)在，imshow()用于在每個面上顯示帶有已識別表情的窗口。

	?
def 情感視頻（上限）：
    而真：
        ret, frame = cap.read()
        矩形、面部、圖像 = face_detector_video(frame)
        如果 np.sum([face]) != 0.0:
            roi = face.astype("float") / 255.0
            roi = img_to_array(roi)
            roi = np.expand_dims(roi, 軸 = 0)
            # 對 ROI 進行預測，然后查找類
            preds = 分類器.predict(roi)[0]
            標簽 = class_labels[preds.argmax()]
            label_position = (rect[0] + rect[1]//50, rect[2] + rect[3]//50)
            text_on_detected_boxes(label, label_position[0], label_position[1], image) # 您可以將此函數(shù)用于您的另一個 opencv 項目。
            fps = cap.get(cv2.CAP_PROP_FPS)
            cv2.putText(圖像, str(fps),(5, 40), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)
        別的：
            cv2.putText(image, "No Face Found", (5, 40), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 0), 2)
        cv2.imshow('全部'，圖片)
        如果 cv2.waitKey(1) & 0xFF == ord('q'):
            休息
    帽釋放（）
    cv2.destroyAllWindows()

	?

	這是代碼的主要功能。在主函數(shù)中可以使用emotionVideo()函數(shù)和emotionImage()函數(shù)。如果您想在圖像上使用面部表情識別，那么只需注釋主函數(shù)的前兩行并取消注釋其余兩行。但請確保您在IMAGE_PA?TH 變量中提供輸入圖像的路徑。

	?
如果 __name__ == '__main__'：
    camera = cv2.VideoCapture(0) # 如果您使用的是 USB 攝像頭，則更改使用 1 而不是 0。
    情感視頻（相機）
    # IMAGE_PATH = "提供圖片路徑"
    #emotionImage(IMAGE_PATH) # 如果你在圖片上使用這個，請?zhí)峁┞窂?/pre>

	?

	　　在 Raspberry Pi 上測試我們的面部表情識別系統(tǒng)

	　　在啟動 Python 腳本之前，將 Raspberry Pi 相機模塊與 Pi 連接，如下所示：

	

	　　現(xiàn)在，檢查 Pi 相機是否正常工作。查看相機后，啟動 Python 腳本，您會發(fā)現(xiàn)彈出一個窗口，其中包含您的視頻源。一旦 Pi 檢測到表達式，它將以綠色框顯示在視頻源上。

	

	from tensorflow.keras import Sequential

	from tensorflow.keras.models import load_model

	import cv2

	import numpy as np

	from tensorflow.keras.preprocessing.image import img_to_array

	# 加載模型

	model = Sequential()

	classifier = load_model('ferjj.h5') #這個模型有一組 6 個類

	# 我們有模型的 6 個標簽

	class_labels = {0: 'Angry', 1: 'Fear', 2: 'Happy', 3: 'Neutral', 4: 'Sad', 5 : '驚喜'}

	classes = list(class_labels.values())

	# print(class_labels)

	face_classifier = cv2.CascadeClassifier('./Haarcascades/haarcascade_frontalface_default.xml')

	# 此函數(shù)用于設計預測圖像框上的覆蓋文本。

	def text_on_detected_boxes(text,text_x,text_y,image,font_scale = 1,

	font = cv2.FONT_HERSHEY_SIMPLEX,

	FONT_COLOR = (0, 0, 0),

	FONT_THICKNESS = 2,

	rectangle_bgr = (0, 255, 0)):

	# 得到寬度和文本框的高度

	(text_width, text_height) = cv2.getTextSize(text, font, fontScale=font_scale, thickness=2)[0]

	# 設置框的坐標

	box_coords = ((text_x-10, text_y+4) , (text_x + text_width+10, text_y - text_height-5))

	# 繪制檢測到的框和標簽

	cv2.rectangle(image, box_coords[0], box_coords[1], rectangle_bgr, cv2.FILLED)

	cv2.putText(image, text, (text_x, text_y), font, fontScale=font_scale, color=FONT_COLOR,thickness=FONT_THICKNESS)

	# 檢測圖像上的情緒：

	def face_detector_image(img):

	gray = cv2.cvtColor(img .copy(), cv2.COLOR_BGR2GRAY) # 將圖像轉換為灰度圖像

	faces = face_classifier.detectMultiScale(gray, 1.3, 5)

	if faces is ():

	return (0, 0, 0, 0), np.zeros(( 48, 48), np.uint8), img

	allfaces = []

	rects = []

	for (x, y, w, h) in faces:

	cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)

	roi_gray = gray[y:y + h, x:x + w]

	roi_gray = cv2.resize(roi_gray, (48, 48), interpolation=cv2.INTER_AREA)

	allfaces.append(roi_gray)

	rects.append((x, w, y, h))

	返回 rects, allfaces, img

	defemotionImage(imgPath):

	img = cv2.imread(imgPath)

	rects, faces, image = face_detector_image(img)

	i = 0

	表示人臉：

	roi = face.astype("float") / 255.0

	roi = img_to_array(roi)

	roi = np. expand_dims(roi, axis=0)

	# 對 ROI 進行預測，然后查找類

	preds = classifier.predict(roi)[0]

	label = class_labels[preds.argmax()]

	label_position = (rects[i][0 ] + int((rects[i][1] / 2)), abs(rects[i][2] - 10))

	i = + 1

	# 在圖片上疊加我們檢測到的情緒

	text_on_detected_boxes(label, label_position[0],label_position[1], image)

	cv2.imshow("Emotion Detector", image)

	cv2.waitKey(0)

	cv2.destroyAllWindows()

	# 檢測到視頻流表達式

	def face_detector_video(img):

	# 將圖像轉換為灰度

	gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

	faces = face_classifier.detectMultiScale(gray, 1.3, 5)

	if faces is ():

	return (0, 0 , 0, 0), np.zeros((48, 48), np.uint8), img

	for (x, y, w, h) in faces:

	cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 厚度=2)

	roi_gray = gray[y:y + h, x:x + w]

	roi_gray = cv2.resize(roi_gray, (48, 48), interpolation=cv2.INTER_AREA)

	return (x, w, y, h), roi_gray, img

	defemotionVideo(cap):

	while True:

	ret, frame = cap.read()

	rect, face, image = face_detector_video(frame)

	if np.sum([face]) != 0.0:

	roi = face.astype("float" ) / 255.0

	roi = img_to_array(roi)

	roi = np.expand_dims(roi, axis=0)

	# 對 ROI 進行預測，然后查找類

	preds = classifier.predict(roi)[0]

	label = class_labels[preds.參數(shù)最大值（）]

	label_position = (rect[0] + rect[1]//50, rect[2] + rect[3]//50)

	text_on_detected_boxes(label, label_position[0], label_position[1], image) # 可以用這個為您的另一個 opencv 項目提供功能。

	fps = cap.get(cv2.CAP_PROP_FPS)

	cv2.putText(image, str(fps),(5, 40), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)

	else:

	cv2.putText(image , "No Face Found", (5, 40), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 0), 2)

	cv2.imshow('All', image)

	if cv2.waitKey(1) & 0xFF == ord('q'):

	break

	cap.release()

	cv2.destroyAllWindows()

	if __name__ == '__main__':

	camera = cv2.VideoCapture(0) # 如果您使用的是 USB 攝像頭，則更改使用 1 而不是

	0。emotionVideo(camera)

	# IMAGE_PATH = "provide the image path"

	#emotionImage(IMAGE_PATH) # If you are using this on an圖片請?zhí)峁┞窂?/p>