[導(dǎo)讀]作者?|李秋鍵出品|?AI科技大本營（ID:rgznai100）最近都在討論工作摸魚，網(wǎng)易云音樂也出了合理摸魚時間表，今天給大家推薦如何用python實現(xiàn)摸魚~碼住呦！引言：臉部表情是人類情緒的最直接外部表現(xiàn)之一和進行社交活動的重要方式，而賦予機器感知人類情緒的能力，使得機器可以...
作者 | 李秋鍵
出品 | AI科技大本營（ID:rgznai100）
最近都在討論工作摸魚，網(wǎng)易云音樂也出了合理摸魚時間表，今天給大家推薦如何用python實現(xiàn)摸魚~碼住呦！
引言：臉部表情是人類情緒的最直接外部表現(xiàn)之一和進行社交活動的重要方式，而賦予機器感知人類情緒的能力，使得機器可以識別人的情感狀態(tài)，是實現(xiàn)人機交互的重要目標之一。隨著人工智能的迅速發(fā)展，在過去十多年，科技工作者在人臉表情的自動識別領(lǐng)域進行了深入研究。人臉表情識別的研究在心理學(xué)、疲勞駕駛檢測、課堂教學(xué)效果評價、智能醫(yī)療、公安測謊系統(tǒng)、車載安全系統(tǒng)等領(lǐng)域都受到廣泛的關(guān)注。在人臉識別的算法中，首先需要判定視頻或圖片中是否存在人臉，并定位人臉所處的位置。目前主要有基于知識和基于統(tǒng)計的兩種人臉判定和定位方法。其中，基于知識的人臉檢測定位主要是利用人臉器官特征和器官之間的幾何關(guān)系來確定是否有人臉存在于圖像中。基于統(tǒng)計的檢測方式，則是利用過往照片中的像素分布和當前目標圖片的像素分布是否相似來判定人臉。今天我們就將使用KNN算法實現(xiàn)人臉分類，并在分類的基礎(chǔ)上實現(xiàn)監(jiān)測。當檢測到未進行訓(xùn)練過的人臉時，自動執(zhí)行設(shè)定好的命名。在這里我們設(shè)為打開文檔。即可形成我們的人臉檢測“摸魚”神器，或者及時遮擋祝自己的下巴，即可以執(zhí)行程序。效果如下：KNN人臉分類算法介紹
KNN算法是一種惰性學(xué)習(xí)算法，其思想是待分類樣本的類別由其近鄰的k個樣本投票決定，已廣泛應(yīng)用于數(shù)據(jù)挖掘和數(shù)據(jù)分類中。在模式識別中，K近鄰算法的優(yōu)勢在于簡單且對異常值不敏感，泛化能力強。其核心內(nèi)容：任意樣本在數(shù)據(jù)集中的K個最相似樣本中，如果大部分樣本歸并為某一類別，那么此樣本也屬于這個類別。其意義在于通過待測樣本周邊的已知數(shù)據(jù)類別來預(yù)測此樣本的歸屬問題，極大弱化了數(shù)據(jù)集的高維度、高耦合給數(shù)據(jù)特征分析帶來的困難。其優(yōu)點有：對數(shù)據(jù)噪聲有較強的忍耐能力，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，只關(guān)注最相鄰的K個樣本即可，極大地降低了數(shù)據(jù)集的維度。缺點：K近鄰算法屬于惰性算法，不能主動學(xué)習(xí)；K值的選擇對數(shù)據(jù)分析的結(jié)果有影響.基于kNN的人臉分類算法以異常人臉樣本相較于正常工況樣本會產(chǎn)生偏移量為根據(jù)，通過比較正常樣本與異常樣本在訓(xùn)練集中的前k個最近鄰樣本距離平方和判斷是否為異常人臉。KNN人臉分類算法由模型建立和故障檢測兩部分組成。1.1 模型建立第一部分為模型建立。首先在訓(xùn)練集中確定每個樣本的k個最近鄰樣本，然后計算每個樣本到其k個最近鄰樣本的歐式距離平方和作為統(tǒng)計量。1.2 ThreeDPoseUnityBarracuda介紹第二部分為故障檢測。首先在訓(xùn)練集中尋找待測樣本x的前k個近鄰，然后運用公式計算x與其k個近鄰樣本的歐式距離平方和。最后將平方和與標準的進行比較，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 庫主要封裝了dlib這一 C 圖形庫，通過 Python 語言將它封裝為一個非常簡單就可以實現(xiàn)人臉識別的 API 庫，屏蔽了人臉識別的算法細節(jié)，大大降低了人臉識別功能的開發(fā)難度。Face Recognition 庫進行人臉識別主要經(jīng)過幾個步驟：人臉檢測，找出所有的面孔；檢測面部特征點：使用特征點矯正姿態(tài)，將側(cè)臉轉(zhuǎn)為正臉；給臉部編碼：根據(jù)面部特征點計算這個面孔的特征值（特征向量）。
程序設(shè)計
這里程序的設(shè)計分為以下幾個步驟，分別為數(shù)據(jù)集記錄和制作、KNN人臉分類訓(xùn)練和檢測異常執(zhí)行程序。3.1 人臉數(shù)據(jù)制作這里我們簡單采樣1000個人臉樣本，通過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("未能檢測到人臉，或人臉數(shù)目不止一個，請保證只有一個人臉") if num == 1000: break cv2.destroyAllWindows() 3.2 KNN人臉分類
KNN對人臉進行分類，首先要遍歷訓(xùn)練集中的每一個人臉樣本，通過計算每個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，test為檢測異常所要執(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)行動作造成電腦卡死，需要制定個GUI按鈕，確保只持續(xù)執(zhí)行一次，按確定按鈕才會繼續(xù)監(jiān)測。以下代碼分別包括了GUI界面的定義，主要也就只有一個按鈕功能，按鈕點擊就會讓異常程序恢復(fù)正常，而始終不會影響人臉檢測程序。即本程序和人臉分類互不干擾。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="請點擊確定") 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博客專家，CSDN達人課作者。碩士在讀于中國礦業(yè)大學(xué)，開發(fā)有taptap競賽獲獎等。
本站聲明： 本文章由作者或相關(guān)機構(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點，本站亦不保證或承諾內(nèi)容真實性等。需要轉(zhuǎn)載請聯(lián)系該專欄作者，如若文章內(nèi)容侵犯您的權(quán)益，請及時聯(lián)系本站刪除。
下載文檔
