[導(dǎo)讀]作者?|李秋鍵出品|?AI科技大本營(yíng)（ID:rgznai100）最近都在討論工作摸魚(yú)，網(wǎng)易云音樂(lè)也出了合理摸魚(yú)時(shí)間表，今天給大家推薦如何用python實(shí)現(xiàn)摸魚(yú)~碼住呦！引言：臉部表情是人類(lèi)情緒的最直接外部表現(xiàn)之一和進(jìn)行社交活動(dòng)的重要方式，而賦予機(jī)器感知人類(lèi)情緒的能力，使得機(jī)器可以...
作者 | 李秋鍵
出品 | AI科技大本營(yíng)（ID:rgznai100）
最近都在討論工作摸魚(yú)，網(wǎng)易云音樂(lè)也出了合理摸魚(yú)時(shí)間表，今天給大家推薦如何用python實(shí)現(xiàn)摸魚(yú)~碼住呦！
引言：臉部表情是人類(lèi)情緒的最直接外部表現(xiàn)之一和進(jìn)行社交活動(dòng)的重要方式，而賦予機(jī)器感知人類(lèi)情緒的能力，使得機(jī)器可以識(shí)別人的情感狀態(tài)，是實(shí)現(xiàn)人機(jī)交互的重要目標(biāo)之一。隨著人工智能的迅速發(fā)展，在過(guò)去十多年，科技工作者在人臉表情的自動(dòng)識(shí)別領(lǐng)域進(jìn)行了深入研究。人臉表情識(shí)別的研究在心理學(xué)、疲勞駕駛檢測(cè)、課堂教學(xué)效果評(píng)價(jià)、智能醫(yī)療、公安測(cè)謊系統(tǒng)、車(chē)載安全系統(tǒng)等領(lǐng)域都受到廣泛的關(guān)注。在人臉識(shí)別的算法中，首先需要判定視頻或圖片中是否存在人臉，并定位人臉?biāo)幍奈恢?。目前主要有基于知識(shí)和基于統(tǒng)計(jì)的兩種人臉判定和定位方法。其中，基于知識(shí)的人臉檢測(cè)定位主要是利用人臉器官特征和器官之間的幾何關(guān)系來(lái)確定是否有人臉存在于圖像中。基于統(tǒng)計(jì)的檢測(cè)方式，則是利用過(guò)往照片中的像素分布和當(dāng)前目標(biāo)圖片的像素分布是否相似來(lái)判定人臉。今天我們就將使用KNN算法實(shí)現(xiàn)人臉?lè)诸?lèi)，并在分類(lèi)的基礎(chǔ)上實(shí)現(xiàn)監(jiān)測(cè)。當(dāng)檢測(cè)到未進(jìn)行訓(xùn)練過(guò)的人臉時(shí)，自動(dòng)執(zhí)行設(shè)定好的命名。在這里我們?cè)O(shè)為打開(kāi)文檔。即可形成我們的人臉檢測(cè)“摸魚(yú)”神器，或者及時(shí)遮擋祝自己的下巴，即可以執(zhí)行程序。效果如下：KNN人臉?lè)诸?lèi)算法介紹
KNN算法是一種惰性學(xué)習(xí)算法，其思想是待分類(lèi)樣本的類(lèi)別由其近鄰的k個(gè)樣本投票決定，已廣泛應(yīng)用于數(shù)據(jù)挖掘和數(shù)據(jù)分類(lèi)中。在模式識(shí)別中，K近鄰算法的優(yōu)勢(shì)在于簡(jiǎn)單且對(duì)異常值不敏感，泛化能力強(qiáng)。其核心內(nèi)容：任意樣本在數(shù)據(jù)集中的K個(gè)最相似樣本中，如果大部分樣本歸并為某一類(lèi)別，那么此樣本也屬于這個(gè)類(lèi)別。其意義在于通過(guò)待測(cè)樣本周邊的已知數(shù)據(jù)類(lèi)別來(lái)預(yù)測(cè)此樣本的歸屬問(wèn)題，極大弱化了數(shù)據(jù)集的高維度、高耦合給數(shù)據(jù)特征分析帶來(lái)的困難。其優(yōu)點(diǎn)有：對(duì)數(shù)據(jù)噪聲有較強(qiáng)的忍耐能力，非常適合零售業(yè)復(fù)雜多變的特征選擇情景；分析數(shù)據(jù)特征時(shí)，只關(guān)注最相鄰的K個(gè)樣本即可，極大地降低了數(shù)據(jù)集的維度。缺點(diǎn)：K近鄰算法屬于惰性算法，不能主動(dòng)學(xué)習(xí)；K值的選擇對(duì)數(shù)據(jù)分析的結(jié)果有影響.基于kNN的人臉?lè)诸?lèi)算法以異常人臉樣本相較于正常工況樣本會(huì)產(chǎn)生偏移量為根據(jù)，通過(guò)比較正常樣本與異常樣本在訓(xùn)練集中的前k個(gè)最近鄰樣本距離平方和判斷是否為異常人臉。KNN人臉?lè)诸?lèi)算法由模型建立和故障檢測(cè)兩部分組成。1.1 模型建立第一部分為模型建立。首先在訓(xùn)練集中確定每個(gè)樣本的k個(gè)最近鄰樣本，然后計(jì)算每個(gè)樣本到其k個(gè)最近鄰樣本的歐式距離平方和作為統(tǒng)計(jì)量。1.2 ThreeDPoseUnityBarracuda介紹第二部分為故障檢測(cè)。首先在訓(xùn)練集中尋找待測(cè)樣本x的前k個(gè)近鄰，然后運(yùn)用公式計(jì)算x與其k個(gè)近鄰樣本的歐式距離平方和。最后將平方和與標(biāo)準(zhǔn)的進(jìn)行比較，若大于，則樣本x為異常樣本，否則為正常樣本。
人臉特征提取
人臉特征提取這里使用的是face_recognition。Face Recognition 庫(kù)主要封裝了dlib這一 C 圖形庫(kù)，通過(guò) Python 語(yǔ)言將它封裝為一個(gè)非常簡(jiǎn)單就可以實(shí)現(xiàn)人臉識(shí)別的 API 庫(kù)，屏蔽了人臉識(shí)別的算法細(xì)節(jié)，大大降低了人臉識(shí)別功能的開(kāi)發(fā)難度。Face Recognition 庫(kù)進(jìn)行人臉識(shí)別主要經(jīng)過(guò)幾個(gè)步驟：人臉檢測(cè)，找出所有的面孔；檢測(cè)面部特征點(diǎn)：使用特征點(diǎn)矯正姿態(tài)，將側(cè)臉轉(zhuǎn)為正臉；給臉部編碼：根據(jù)面部特征點(diǎn)計(jì)算這個(gè)面孔的特征值（特征向量）。
程序設(shè)計(jì)
這里程序的設(shè)計(jì)分為以下幾個(gè)步驟，分別為數(shù)據(jù)集記錄和制作、KNN人臉?lè)诸?lèi)訓(xùn)練和檢測(cè)異常執(zhí)行程序。3.1 人臉數(shù)據(jù)制作這里我們簡(jiǎn)單采樣1000個(gè)人臉樣本，通過(guò)face_recognition提取人臉位置，并分割保存。代碼如下：
facial_features = [ 'chin', 'left_eyebrow', 'right_eyebrow', 'nose_bridge', 'nose_tip', 'left_eye', 'right_eye', 'top_lip', 'bottom_lip' ]video_capture = cv2.VideoCapture(0)label="flase"num=0try: os.mkdir("img/" label)except: passwhile True: ret,frame=video_capture.read() face_locations = face_recognition.face_locations(frame) face_landmarks_list = face_recognition.face_landmarks(frame) for face_location in face_locations: top, right, bottom, left = face_location if len(face_landmarks_list)==1: num =1 face_image = frame[top:bottom, left:right] cv2.imwrite("img/" label "/" str(num) ".jpg",face_image) print("保存第" str(num) "張人臉") cv2.imshow("test",face_image) cv2.waitKey(1) else: print("未能檢測(cè)到人臉，或人臉數(shù)目不止一個(gè)，請(qǐng)保證只有一個(gè)人臉") if num == 1000: break cv2.destroyAllWindows() 3.2 KNN人臉?lè)诸?lèi)
KNN對(duì)人臉進(jìn)行分類(lèi)，首先要遍歷訓(xùn)練集中的每一個(gè)人臉樣本，通過(guò)計(jì)算每個(gè)人臉編碼之間的距離判斷是否為正樣本。其總程序結(jié)構(gòu)如下圖，即face_record記錄人臉，face_recognition_knn訓(xùn)練人臉并監(jiān)測(cè)，test為檢測(cè)異常所要執(zhí)行的腳本，這里已經(jīng)打包成了exe文件。代碼如下：
def train(train_dir, model_save_path=None, n_neighbors=None, knn_algo='ball_tree', verbose=False): X = [] y = [] for class_dir in os.listdir(train_dir): if not os.path.isdir(os.path.join(train_dir, class_dir)): continue for img_path in image_files_in_folder(os.path.join(train_dir, class_dir)): image = face_recognition.load_image_file(img_path) face_bounding_boxes = face_recognition.face_locations(image) if len(face_bounding_boxes) != 1: if verbose: print("Image {} not suitable for training: {}".format(img_path, "Didn't find a face" if len( face_bounding_boxes) < 1 else "Found more than one face")) else: X.append(face_recognition.face_encodings(image, known_face_locations=face_bounding_boxes)[0]) y.append(class_dir) if n_neighbors is None: n_neighbors = int(round(math.sqrt(len(X)))) if verbose: print("Chose n_neighbors automatically:", n_neighbors) knn_clf = neighbors.KNeighborsClassifier(n_neighbors=n_neighbors, algorithm=knn_algo, weights='distance') knn_clf.fit(X, y) if model_save_path is not None: with open(model_save_path, 'wb') as f: pickle.dump(knn_clf, f) return knn_clfdef predict(X_img_path, knn_clf=None, model_path=None, distance_threshold=0.5): if knn_clf is None and model_path is None: raise Exception("Must supply knn classifier either thourgh knn_clf or model_path") if knn_clf is None: with open(model_path, 'rb') as f: knn_clf = pickle.load(f) X_img = X_img_path X_face_locations = face_recognition.face_locations(X_img) if len(X_face_locations) == 0: return [] faces_encodings = face_recognition.face_encodings(X_img, known_face_locations=X_face_locations) closest_distances = knn_clf.kneighbors(faces_encodings, n_neighbors=1) are_matches = [closest_distances[0][i][0] <= distance_threshold for i in range(len(X_face_locations))] return [(pred, loc) if rec else ("unknown", loc) for pred, loc, rec in zip(knn_clf.predict(faces_encodings), X_face_locations, are_matches)]
3.3 異常人臉行為執(zhí)行為了防止異常人臉持續(xù)執(zhí)行動(dòng)作造成電腦卡死，需要制定個(gè)GUI按鈕，確保只持續(xù)執(zhí)行一次，按確定按鈕才會(huì)繼續(xù)監(jiān)測(cè)。以下代碼分別包括了GUI界面的定義，主要也就只有一個(gè)按鈕功能，按鈕點(diǎn)擊就會(huì)讓異常程序恢復(fù)正常，而始終不會(huì)影響人臉檢測(cè)程序。即本程序和人臉?lè)诸?lèi)互不干擾。代碼如下：
def get_window_positon(width, height): window_x_position = (window.winfo_screenwidth() - width) // 2 window_y_position = (window.winfo_screenheight() - height) // 2 return window_x_position, window_y_positionpos = get_window_positon(tk_width, tk_height) window.geometry(f' {pos[0]} {pos[1]}')def closewindow(): messagebox.showinfo(title="警告",message="請(qǐng)點(diǎn)擊確定") returndef t(): try: os.remove("ok.txt") except: pass window.destroy()window.protocol("WM_DELETE_WINDOW",closewindow)bnt=Button(window,text="確定",width=15,height=2,command=t)bnt.pack()window.mainloop()if temp>num: if os.path.exists("ok.txt"): pass else: t2 = threading.Thread(target=test2) t2.start() os.system("1.jpg") f = open("ok.txt", "w") f.close() t1 = threading.Thread(target=test1) t1.start() for name, (top, right, bottom, left) in predictions: draw.rectangle(((left, top), (right, bottom)), outline=(0, 0, 255)) text_width, text_height = draw.textsize(name) draw.rectangle(((left, bottom - text_height - 10), (right, bottom)), fill=(0, 0, 255), outline=(0, 0, 255)) draw.text((int((left right)/2), bottom - text_height - 10), name,font=myfont, fill=(0,0,0)) del draw pil_image = np.array(pil_image) temp = numelse: pil_image=img_pathdef test2(): os.system('1.caj')def test1(): os.system('test.exe')
完整代碼：
https://codechina.csdn.net/qq_42279468/face-monitor/-/tree/master
李秋鍵，CSDN博客專(zhuān)家，CSDN達(dá)人課作者。碩士在讀于中國(guó)礦業(yè)大學(xué)，開(kāi)發(fā)有taptap競(jìng)賽獲獎(jiǎng)等。
欲知詳情，請(qǐng)下載word文檔
下載文檔
本站聲明： 本文章由作者或相關(guān)機(jī)構(gòu)授權(quán)發(fā)布，目的在于傳遞更多信息，并不代表本站贊同其觀(guān)點(diǎn)，本站亦不保證或承諾內(nèi)容真實(shí)性等。需要轉(zhuǎn)載請(qǐng)聯(lián)系該專(zhuān)欄作者，如若文章內(nèi)容侵犯您的權(quán)益，請(qǐng)及時(shí)聯(lián)系本站刪除。
