目錄
- 一、人臉圖像特征提取方法
- 二、對(duì)笑臉數(shù)據(jù)集genki4k進(jìn)行訓(xùn)練和測(cè)試（包括SVM、CNN），輸出模型訓(xùn)練精度和測(cè)試精度（F1-score和ROC），實(shí)現(xiàn)檢測(cè)圖片笑臉和實(shí)時(shí)視頻笑臉檢測(cè)
- （一）環(huán)境、數(shù)據(jù)集準(zhǔn)備
- （二）訓(xùn)練笑臉數(shù)據(jù)集genki4k
- （三）圖片笑臉檢測(cè)
- （四）實(shí)時(shí)視頻笑臉檢測(cè)
- 三、將笑臉數(shù)據(jù)集換成人臉口罩?jǐn)?shù)據(jù)集，并對(duì)口罩?jǐn)?shù)據(jù)集進(jìn)行訓(xùn)練，編寫(xiě)程序?qū)崿F(xiàn)人臉口罩檢測(cè)
- （一）訓(xùn)練人臉口罩?jǐn)?shù)據(jù)集
- （二）編程實(shí)現(xiàn)人臉口罩檢測(cè)
一、人臉圖像特征提取方法
https://www.jb51.net/article/219446.htm
二、對(duì)笑臉數(shù)據(jù)集genki4k進(jìn)行訓(xùn)練和測(cè)試（包括SVM、CNN），輸出模型訓(xùn)練精度和測(cè)試精度（F1-score和ROC），實(shí)現(xiàn)檢測(cè)圖片笑臉和實(shí)時(shí)視頻笑臉檢測(cè)
（一）環(huán)境、數(shù)據(jù)集準(zhǔn)備
本文操作在Jupyter notebook平臺(tái)進(jìn)行，需要安裝tensorflow、Keras庫(kù)、Dlib庫(kù)、和opencv-python等。
1、安裝tensorflow、Keras庫(kù)
https://www.jb51.net/article/219425.htm
2、win10 + anaconda3 + python3.6 安裝tensorflow + keras的步驟詳解
https://www.jb51.net/article/171039.htm
3、笑臉數(shù)據(jù)集下載
笑臉數(shù)據(jù)集下載鏈接： http://xiazai.jb51.net/202108/yuanma/smils_jb51.rar
（二）訓(xùn)練笑臉數(shù)據(jù)集genki4k
1、首先導(dǎo)入Keras庫(kù)
import keras
keras.__version__
2、讀取笑臉數(shù)據(jù)集，然后將訓(xùn)練的數(shù)據(jù)和測(cè)試數(shù)據(jù)放入對(duì)應(yīng)的文件夾
import os, shutil
# The path to the directory where the original
# dataset was uncompressed
original_dataset_dir = 'C:\\Users\\asus\\Desktop\\test\\genki4k'
# The directory where we will
# store our smaller dataset
base_dir = 'C:\\Users\\asus\\Desktop\\test\\smile_and_nosmile'
os.mkdir(base_dir)
# Directories for our training,
# validation and test splits
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)
# Directory with our training smile pictures
train_smile_dir = os.path.join(train_dir, 'smile')
os.mkdir(train_smile_dir)
# Directory with our training nosmile pictures
train_nosmile_dir = os.path.join(train_dir, 'nosmile')
os.mkdir(train_nosmile_dir)
# Directory with our validation smile pictures
validation_smile_dir = os.path.join(validation_dir, 'smile')
os.mkdir(validation_smile_dir)
# Directory with our validation nosmile pictures
validation_nosmile_dir = os.path.join(validation_dir, 'nosmile')
os.mkdir(validation_nosmile_dir)
# Directory with our validation smile pictures
test_smile_dir = os.path.join(test_dir, 'smile')
os.mkdir(test_smile_dir)
# Directory with our validation nosmile pictures
test_nosmile_dir = os.path.join(test_dir, 'nosmile')
os.mkdir(test_nosmile_dir)
3、將笑臉圖片和非笑臉圖片放入對(duì)應(yīng)文件夾
在上面程序中生成了一個(gè)名為smile_and_nosmile的文件夾，里面有三個(gè)子文件，分別存放訓(xùn)練、測(cè)試、驗(yàn)證數(shù)據(jù)，在這三個(gè)文件夾下還有smile和nosmile文件夾，我們需要將笑臉圖片放入smile文件夾，將非笑臉圖片放入nosmile文件夾。
3、打印每個(gè)數(shù)據(jù)集文件中的笑臉和非笑臉圖片數(shù)
print('total training smile images:', len(os.listdir(train_smile_dir)))
print('total training nosmile images:', len(os.listdir(train_nosmile_dir)))
print('total validation smile images:', len(os.listdir(validation_smile_dir)))
print('total validation nosmile images:', len(os.listdir(validation_nosmile_dir)))
print('total test smile images:', len(os.listdir(test_smile_dir)))
print('total test nosmile images:', len(os.listdir(test_nosmile_dir)))
4、構(gòu)建小型卷積網(wǎng)絡(luò)
我們已經(jīng)為MNIST構(gòu)建了一個(gè)小型卷積網(wǎng)，所以您應(yīng)該熟悉它們。我們將重用相同的通用結(jié)構(gòu):我們的卷積網(wǎng)將是一個(gè)交替的Conv2D(激活relu)和MaxPooling2D層的堆棧。然而，由于我們處理的是更大的圖像和更復(fù)雜的問(wèn)題，因此我們將使我們的網(wǎng)絡(luò)相應(yīng)地更大:它將有一個(gè)更多的Conv2D + MaxPooling2D階段。這樣既可以擴(kuò)大網(wǎng)絡(luò)的容量，又可以進(jìn)一步縮小特征圖的大小，這樣當(dāng)我們到達(dá)平坦層時(shí)，特征圖就不會(huì)太大。在這里，由于我們從大小為150x150的輸入開(kāi)始(有點(diǎn)隨意的選擇)，我們?cè)贔latten層之前得到大小為7x7的feature map。
注意：feature map的深度在網(wǎng)絡(luò)中逐漸增加(從32到128)，而feature map的大小在減少(從148x148到7x7)。這是你會(huì)在幾乎所有convnets中看到的模式。由于我們解決的是一個(gè)二元分類(lèi)問(wèn)題，我們用一個(gè)單一單元(一個(gè)大小為1的稠密層)和一個(gè)s型激活來(lái)結(jié)束網(wǎng)絡(luò)。這個(gè)單元將對(duì)網(wǎng)絡(luò)正在查看一個(gè)類(lèi)或另一個(gè)類(lèi)的概率進(jìn)行編碼。
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'))
讓我們來(lái)看看要素地圖的尺寸是如何隨每個(gè)連續(xù)圖層而變化的
讓我們來(lái)看看特征地圖的尺寸是如何隨著每一個(gè)連續(xù)的層：為我們編譯步驟，我們將一如既往地使用RMSprop優(yōu)化器。由于我們用一個(gè)單一的乙狀結(jié)腸單元結(jié)束我們的網(wǎng)絡(luò)，我們將使用二進(jìn)制交叉熵作為我們的損失
from keras import optimizers
model.compile(loss='binary_crossentropy',
optimizer=optimizers.RMSprop(lr=1e-4),
metrics=['acc'])
5、數(shù)據(jù)預(yù)處理
在將數(shù)據(jù)輸入到我們的網(wǎng)絡(luò)之前，應(yīng)該將數(shù)據(jù)格式化為經(jīng)過(guò)適當(dāng)預(yù)處理的浮點(diǎn)張量。目前，我們的數(shù)據(jù)以JPEG文件的形式保存在硬盤(pán)上，因此將其導(dǎo)入網(wǎng)絡(luò)的步驟大致如下:
- 讀取圖片文件
- 解碼JPEG內(nèi)容到RBG像素網(wǎng)格
- 把它們轉(zhuǎn)換成浮點(diǎn)張量
- 將像素值(從0到255)縮放到[0,1]區(qū)間
from keras.preprocessing.image import ImageDataGenerator
# All images will be rescaled by 1./255
train_datagen = ImageDataGenerator(rescale=1./255)
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=20,
# 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=20,
class_mode='binary')
讓我們看看其中一個(gè)生成器的輸出：它生成150×150 RGB圖像的批次(Shape(20,150,150，3))和二進(jìn)制標(biāo)簽(Shape(20，))。20是每批樣品的數(shù)量(批次大小)。注意，生成器無(wú)限期地生成這些批：它只是無(wú)休止地循環(huán)目標(biāo)文件夾中的圖像。因此，我們需要在某個(gè)點(diǎn)中斷迭代循環(huán)。
for data_batch, labels_batch in train_generator:
print('data batch shape:', data_batch.shape)
print('labels batch shape:', labels_batch.shape)
break
使用生成器使我們的模型適合于數(shù)據(jù)
history = model.fit_generator(
train_generator,
steps_per_epoch=100,
epochs=30,
validation_data=validation_generator,
validation_steps=50)
這里使用fit_generator方法來(lái)完成此操作，對(duì)于我們這樣的數(shù)據(jù)生成器，它相當(dāng)于fit方法。它期望Python生成器作為第一個(gè)參數(shù)，它將無(wú)限期地生成成批的輸入和目標(biāo)，就像我們的示例一樣。因?yàn)閿?shù)據(jù)是不斷生成的，所以在宣告一個(gè)紀(jì)元結(jié)束之前，生成器需要知道示例從生成器中抽取多少樣本。這就是steps_per_epoch參數(shù)的作用:在從生成器中繪制完steps_per_epoch批處理之后，即在運(yùn)行完steps_per_epoch梯度下降步驟之后，擬合過(guò)程將轉(zhuǎn)到下一個(gè)epoch。在我們的例子中，批次是20個(gè)樣本大，所以在我們看到2000個(gè)樣本的目標(biāo)之前將需要100個(gè)批次。
在使用fit_generator時(shí)，可以傳遞validation_data參數(shù)，就像fit方法一樣。重要的是，允許這個(gè)參數(shù)本身是一個(gè)數(shù)據(jù)生成器，但是它也可以是Numpy數(shù)組的元組。如果您傳遞一個(gè)生成器作為validation_data，那么這個(gè)生成器將會(huì)不斷生成成批的驗(yàn)證數(shù)據(jù)，因此您還應(yīng)該指定validation_steps參數(shù)，它告訴流程從驗(yàn)證生成器提取多少批來(lái)進(jìn)行評(píng)估。
保存模型
model.save('C:\\Users\\asus\\Desktop\\test\\smile_and_nosmile.h5')
在訓(xùn)練和驗(yàn)證數(shù)據(jù)上繪制模型的損失和準(zhǔn)確性
import matplotlib.pyplot as plt
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()
這些圖具有過(guò)擬合的特點(diǎn)。我們的訓(xùn)練精度隨著時(shí)間線性增長(zhǎng)，直到接近100%，而我們的驗(yàn)證精度停留在70-72%。我們的驗(yàn)證損失在5個(gè)epoch后達(dá)到最小，然后停止，而訓(xùn)練損失繼續(xù)線性下降，直到接近0。
6、數(shù)據(jù)增強(qiáng)
過(guò)度擬合是由于可供學(xué)習(xí)的樣本太少，使我們無(wú)法訓(xùn)練一個(gè)模型來(lái)泛化到新的數(shù)據(jù)。給定無(wú)限的數(shù)據(jù)，我們的模型將暴露于手頭數(shù)據(jù)分布的每一個(gè)可能方面:我們永遠(yuǎn)不會(huì)過(guò)度擬合。數(shù)據(jù)增強(qiáng)采用的方法是從現(xiàn)有的訓(xùn)練樣本中生成更多的訓(xùn)練數(shù)據(jù)，方法是通過(guò)一系列隨機(jī)變換來(lái)“增強(qiáng)”樣本，從而產(chǎn)生看上去可信的圖像。我們的目標(biāo)是在訓(xùn)練時(shí)，我們的模型不會(huì)兩次看到完全相同的圖像。這有助于將模型暴露于數(shù)據(jù)的更多方面，并更好地泛化。
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')
- rotation_range是一個(gè)角度值(0-180)，在這個(gè)范圍內(nèi)可以隨機(jī)旋轉(zhuǎn)圖片
- width_shift和height_shift是范圍(作為總寬度或高度的一部分)，在其中可以隨機(jī)地垂直或水平地轉(zhuǎn)換圖片
- shear_range用于隨機(jī)應(yīng)用剪切轉(zhuǎn)換
- zoom_range用于在圖片內(nèi)部隨機(jī)縮放
- horizontal_flip是用于水平隨機(jī)翻轉(zhuǎn)一半的圖像——當(dāng)沒(méi)有假設(shè)水平不對(duì)稱(chēng)時(shí)(例如真實(shí)世界的圖片)
- fill_mode是用于填充新創(chuàng)建像素的策略，它可以在旋轉(zhuǎn)或?qū)挾?高度移動(dòng)之后出現(xiàn)。
查看增強(qiáng)后的圖像
# This is module with image preprocessing utilities
from keras.preprocessing import image
fnames = [os.path.join(train_smile_dir, fname) for fname in os.listdir(train_smile_dir)]
# We pick one image to "augment"
img_path = fnames[3]
# Read the image and resize it
img = image.load_img(img_path, target_size=(150, 150))
# Convert it to a Numpy array with shape (150, 150, 3)
x = image.img_to_array(img)
# Reshape it to (1, 150, 150, 3)
x = x.reshape((1,) + x.shape)
# The .flow() command below generates batches of randomly transformed images.
# It will loop indefinitely, so we need to `break` the loop at some point!
i = 0
for batch in datagen.flow(x, batch_size=1):
plt.figure(i)
imgplot = plt.imshow(image.array_to_img(batch[0]))
i += 1
if i % 4 == 0:
break
plt.show()
如果我們使用這種數(shù)據(jù)增加配置訓(xùn)練一個(gè)新的網(wǎng)絡(luò)，我們的網(wǎng)絡(luò)將永遠(yuǎn)不會(huì)看到兩次相同的輸入。然而，它看到的輸入仍然是高度相關(guān)的，因?yàn)樗鼈儊?lái)自少量的原始圖像——我們不能產(chǎn)生新的信息，我們只能混合現(xiàn)有的信息。因此，這可能還不足以完全消除過(guò)度擬合。
為了進(jìn)一步對(duì)抗過(guò)擬合，我們還將在我們的模型中增加一個(gè)Dropout層，就在密集連接分類(lèi)器之前：
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'])
用數(shù)據(jù)增強(qiáng)和退出來(lái)訓(xùn)練我們的網(wǎng)絡(luò):
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 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=100,
epochs=100,
validation_data=validation_generator,
validation_steps=50)
這里程序會(huì)跑很久，我跑了幾個(gè)小時(shí)，用GPU跑會(huì)快很多很多。
保存模型在convnet可視化部分使用：
model.save('C:\\Users\\asus\\Desktop\\test\\smile_and_nosmile_1.h5')
再看一次結(jié)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()
由于數(shù)據(jù)的增加和遺漏，我們不再過(guò)度擬合:訓(xùn)練曲線相當(dāng)緊密地跟蹤驗(yàn)證曲線。我們現(xiàn)在能夠達(dá)到82%的精度，相對(duì)于非正則化模型有15%的改進(jìn)。通過(guò)進(jìn)一步利用正則化技術(shù)和調(diào)整網(wǎng)絡(luò)參數(shù)(比如每個(gè)卷積層的濾波器數(shù)量，或者網(wǎng)絡(luò)中的層數(shù))，我們可能能夠獲得更好的精度，可能達(dá)到86-87%。
7、優(yōu)化提高笑臉圖像分類(lèi)模型精度
構(gòu)建卷積網(wǎng)絡(luò)
from keras import layers
from keras import models
from keras import optimizers
model = models.Sequential()
#輸入圖片大小是150*150 3表示圖片像素用(R,G,B)表示
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.compile(loss='binary_crossentropy', optimizer=optimizers.RMSprop(lr=1e-4),
metrics=['acc'])
model.summary()
（三）圖片笑臉檢測(cè)
# 單張圖片進(jìn)行判斷 是笑臉還是非笑臉
import cv2
from keras.preprocessing import image
from keras.models import load_model
import numpy as np
model = load_model('smile_and_nosmile_1.h5')
img_path='C:\\Users\\asus\\Desktop\\test\\genki4k\\file2227.jpg'
img = image.load_img(img_path, target_size=(150, 150))
#img1 = cv2.imread(img_path,cv2.IMREAD_GRAYSCALE)
#cv2.imshow('wname',img1)
#cv2.waitKey(0)
#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='smile'
else:
result='nosmile'
print(result)
結(jié)果正確，錯(cuò)誤率在0.0883181左右，反復(fù)找圖片嘗試，結(jié)果都是正確的。
（四）實(shí)時(shí)視頻笑臉檢測(cè)
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('smile_and_nosmile_1.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)
print(prediction)
if prediction[0][0]0.5:
result='nosmile'
else:
result='smile'
cv2.putText(img, result, (left,top), font, 2, (0, 255, 0), 2, cv2.LINE_AA)
cv2.imshow('smile detector', 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()
視頻檢測(cè)正確，就是背景太黑了…
三、將笑臉數(shù)據(jù)集換成人臉口罩?jǐn)?shù)據(jù)集，并對(duì)口罩?jǐn)?shù)據(jù)集進(jìn)行訓(xùn)練，編寫(xiě)程序?qū)崿F(xiàn)人臉口罩檢測(cè)
（一）訓(xùn)練人臉口罩?jǐn)?shù)據(jù)集
人臉口罩?jǐn)?shù)據(jù)集下載鏈接：
http://xiazai.jb51.net/202108/yuanma/mask_jb51.rar
訓(xùn)練人臉口罩?jǐn)?shù)據(jù)集和訓(xùn)練笑臉數(shù)據(jù)集一樣，只需改一下和相應(yīng)的變量名和數(shù)據(jù)集。
（二）編程實(shí)現(xiàn)人臉口罩檢測(cè)
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('mask_and_nomask.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)
print(prediction)
if prediction[0][0]>0.5:
result='nomask'
else:
result='mask'
cv2.putText(img, result, (left,top), font, 2, (0, 255, 0), 2, cv2.LINE_AA)
cv2.imshow('mask detector', 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()
運(yùn)行結(jié)果：
不戴口罩
戴口罩
人臉口罩檢測(cè)正確！
雖然人臉口罩檢測(cè)正確，但是精度還是不高，因?yàn)槲业臄?shù)據(jù)集里面戴口罩得的圖像太少了，朋友們可以多找一些戴口罩的圖片以提高精度，后續(xù)我也會(huì)不斷完善~
到此這篇關(guān)于Python實(shí)現(xiàn)笑臉檢測(cè)+人臉口罩檢測(cè)的文章就介紹到這了,更多相關(guān)Python人臉口罩檢測(cè)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- python基于Opencv實(shí)現(xiàn)人臉口罩檢測(cè)
- python使用pygame實(shí)現(xiàn)笑臉乒乓球彈珠球游戲
- python 利用turtle庫(kù)繪制笑臉和哭臉的例子
