python+基于Jupyter notebook完成卷积神经网络和Dlib的笑脸识别+口罩识别

技术2023-09-11 80

这里写自定义目录标题

一、理解人脸图像特征提取的各种方法（至少包括HoG、Dlib和卷积神经网络特征）；1.HOG①HOG定义：②HOG提取的图像信息 ③HOG算法的基本流程2.Dlib①Dlib实现的人脸检测方法便是基于图像的Hog特征,结合支持向量机算法实现的人脸检测功能。该算法的大致思路如下: ③卷积神经网络特征二、掌握笑脸数据集（genki4k）正负样本的划分、模型训练和测试的过程（至少包括SVM、CNN），输出模型训练精度和测试精度（F1-score和ROC）；1. [下载数据集的连接](https://github.com/truongnmt/smile-detection)2.根据猫狗数据集训练的方法来训练笑脸数据集1)首先将train_folder文件夹下俩个文件夹内的图片的名字做修改。（修改成猫狗的图片格式）2)图片分类3)作为健全性检查，让我们计算一下在每个训练分割中我们有多少图片（训练/验证/测试）：4)卷积网络模型搭建5)图像生成器读取文件中数据，进行数据预处理。6)开始训练7)保存训练模型8)在培训和验证数据上绘制模型的损失和准确性（可视化界面）9)使用数据扩充10)使用数据扩充和退出来训练我们的网络11)保存模型12)在培训和验证数据上绘制模型的损失和准确性（可视化界面）三、完成一个摄像头采集自己人脸、并对表情（笑脸和非笑脸）的实时分类判读（输出分类文字）的程序；1.基于上面卷积神经网络的笑脸识别2.基于Dlib的笑脸识别四、将笑脸数据集换成口罩数据集，完成对口罩佩戴与否的模型训练，采取合适的特征提取方法，重新做上述2-3部。1.用上述同样的方法修改图片的命名格式2.卷积网络模型搭建3.图像生成器读取文件中数据，进行数据预处理。4.使用数据扩充5.使用数据扩充和退出来训练我们的网络6.保存模型7.在培训和验证数据上绘制模型的损失和准确性（可视化界面）8.实现摄像头口罩识别判断

一、理解人脸图像特征提取的各种方法（至少包括HoG、Dlib和卷积神经网络特征）；

1.HOG

①HOG定义：

方向梯度直方图（Histogram of Oriented Gradient, HOG）是一种在计算机视觉和图像处理中用来进行物体检测的特征描述方法（特征描述方法：就是通过从图像中提取有用信息和丢弃无关信息来简化图像，并将信息运用于算法）。

②HOG提取的图像信息

a.特征描述方法从图像中提取有用信息 b.在图像中，物体的边缘和角落包含了关于物体形状的更多信息，也就是我们平时能看到的物体轮廓。如果能够提取出图像边缘和角落的信息，将非常有利于物体检测。 c.而对于图像的边缘和角落周围的梯度这个特征，变化幅度很大，所以在HOG特征描述方法中，使用梯度方向的分布（直方图）作为它的特征。

③HOG算法的基本流程

a.计算图像梯度 b.计算Cell中的梯度直方图 c.Block归一化 d.计算HOG特征

2.Dlib

①Dlib实现的人脸检测方法便是基于图像的Hog特征,结合支持向量机算法实现的人脸检测功能。该算法的大致思路如下:

1 )对正样本(即包含人脸的图像)数据集提取Hog特征,得到Hog特征描述子。 2 )对负样本(即不包含人脸的图像)数据集提取Hog特征,得到Hog特征描述子; 其中,负样本数据集中样本的数量要远远大于正样本数据集中的样本数,负样本图像可以使用不含人脸的图片进行随机裁剪获取。 3 )利用支持向量机算法训练正负样本,显然这是一个二分类问题,可以得到训练后的模型。 4 )利用该模型进行负样本难例检测,也就是难分样本挖掘( hard-negative mining ) ,以便提高最终模型的分类能力。具体思路为:对训练集里的负样本不断进行缩放,直至与模板匹配为止,通过模板滑动窗口搜索匹配(该过程即多尺度检测过程),，如果分类器误检出非人脸则截取该部分图像加入负样本中。 5 )结合难例样本重新训练模型,反复如此得到最终分类器模型。

③卷积神经网络特征

卷积神经网络最早是为了解决图像识别的问题,现在也用在时间序列数据和文本数据处理当中,卷积神经网络对于数据特征的提取不用额外进行,在对网络的训练的过程当中,网络会自动提取主要的特征.卷积神经网络直接用原始图像的全部像素作为输入,但是内部为非全连接结构.因为图像数据在空间上是有组织结构的,每一个像素在空间上和周围的像素是有关系的,和相距很远的像素基本上是没什么联系的,每个神经元只需要接受局部的像素作为输入,再将局部信息汇总就能得到全局信息. 权值共享和池化两个操作使网络模型的参数大幅的减少,提高了模型的训练效率.

二、掌握笑脸数据集（genki4k）正负样本的划分、模型训练和测试的过程（至少包括SVM、CNN），输出模型训练精度和测试精度（F1-score和ROC）；

1. 下载数据集的连接

将下载里面的datasets，放到D盘新建的smile中，

2.根据猫狗数据集训练的方法来训练笑脸数据集

1)首先将train_folder文件夹下俩个文件夹内的图片的名字做修改。（修改成猫狗的图片格式）

#coding=gbk import os import sys def rename(): path=input("请输入路径(例如D:\\\\picture)：") name=input("请输入开头名:") startNumber=input("请输入开始数:") fileType=input("请输入后缀名（如 .jpg、.txt等等）:") print("正在生成以"+name+startNumber+fileType+"迭代的文件名") count=0 filelist=os.listdir(path) for files in filelist: Olddir=os.path.join(path,files) if os.path.isdir(Olddir): continue Newdir=os.path.join(path,name+str(count+int(startNumber))+fileType) os.rename(Olddir,Newdir) count+=1 print("一共修改了"+str(count)+"个文件") rename()

运行结果：继续修改

2)图片分类

import os, shutil #复制文件 # 原始目录所在的路径 # 数据集未压缩 original_dataset_dir1 = 'D:\\smile\\datasets\\train_folder\\1' ##笑脸 original_dataset_dir0 = 'D:\\smile\\datasets\\train_folder\\0' ##非笑脸 # 我们将在其中的目录存储较小的数据集 base_dir = 'D:\\smile1' os.mkdir(base_dir) # # 训练、验证、测试数据集的目录 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) # 猫训练图片所在目录 train_cats_dir = os.path.join(train_dir, 'smile') os.mkdir(train_cats_dir) # 狗训练图片所在目录 train_dogs_dir = os.path.join(train_dir, 'unsmile') os.mkdir(train_dogs_dir) # 猫验证图片所在目录 validation_cats_dir = os.path.join(validation_dir, 'smile') os.mkdir(validation_cats_dir) # 狗验证数据集所在目录 validation_dogs_dir = os.path.join(validation_dir, 'unsmile') os.mkdir(validation_dogs_dir) # 猫测试数据集所在目录 test_cats_dir = os.path.join(test_dir, 'smile') os.mkdir(test_cats_dir) # 狗测试数据集所在目录 test_dogs_dir = os.path.join(test_dir, 'unsmile') os.mkdir(test_dogs_dir) # 将前1000张笑脸图像复制到train_cats_dir fnames = ['smile.{}.jpg'.format(i) for i in range(1000)] for fname in fnames: src = os.path.join(original_dataset_dir1, fname) dst = os.path.join(train_cats_dir, fname) shutil.copyfile(src, dst) # 将下500张笑脸图像复制到validation_cats_dir fnames = ['smile.{}.jpg'.format(i) for i in range(500)] for fname in fnames: src = os.path.join(original_dataset_dir1, fname) dst = os.path.join(validation_cats_dir, fname) shutil.copyfile(src, dst) # 将下500张笑脸图像复制到test_cats_dir fnames = ['smile.{}.jpg'.format(i) for i in range(500)] for fname in fnames: src = os.path.join(original_dataset_dir1, fname) dst = os.path.join(test_cats_dir, fname) shutil.copyfile(src, dst) # 将前1000张非笑脸图像复制到train_dogs_dir fnames = ['unsmile.{}.jpg'.format(i) for i in range(1000)] for fname in fnames: src = os.path.join(original_dataset_dir0, fname) dst = os.path.join(train_dogs_dir, fname) shutil.copyfile(src, dst) # 将下500张非笑脸图像复制到validation_dogs_dir fnames = ['unsmile.{}.jpg'.format(i) for i in range(500)] for fname in fnames: src = os.path.join(original_dataset_dir0, fname) dst = os.path.join(validation_dogs_dir, fname) shutil.copyfile(src, dst) # 将下500张非笑脸图像复制到test_dogs_dir fnames = ['unsmile.{}.jpg'.format(i) for i in range(500)] for fname in fnames: src = os.path.join(original_dataset_dir0, fname) dst = os.path.join(test_dogs_dir, fname) shutil.copyfile(src, dst)

3)作为健全性检查，让我们计算一下在每个训练分割中我们有多少图片（训练/验证/测试）：

print('total training cat images:', len(os.listdir(train_cats_dir))) print('total training dog images:', len(os.listdir(train_dogs_dir))) print('total validation cat images:', len(os.listdir(validation_cats_dir))) print('total validation dog images:', len(os.listdir(validation_dogs_dir))) print('total test cat images:', len(os.listdir(test_cats_dir))) print('total test dog images:', len(os.listdir(test_dogs_dir)))

4)卷积网络模型搭建

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()

5)图像生成器读取文件中数据，进行数据预处理。

from keras import optimizers model.compile(loss='binary_crossentropy', optimizer=optimizers.RMSprop(lr=1e-4), metrics=['acc']) from keras.preprocessing.image import ImageDataGenerator # 所有图像将按1/255重新缩放 train_datagen = ImageDataGenerator(rescale=1./255) test_datagen = ImageDataGenerator(rescale=1./255) train_generator = train_datagen.flow_from_directory( # 这是目标目录 train_dir, # 所有图像将调整为150x150 target_size=(150, 150), batch_size=20, # 因为我们使用二元交叉熵损失，我们需要二元标签 class_mode='binary') validation_generator = test_datagen.flow_from_directory( validation_dir, target_size=(150, 150), batch_size=20, class_mode='binary')

6)开始训练

history = model.fit_generator( train_generator, steps_per_epoch=100, epochs=30, validation_data=validation_generator, validation_steps=50)

7)保存训练模型

model.save('D:\\smile1\\smiles_and_unsmiles_small_1.h5')

8)在培训和验证数据上绘制模型的损失和准确性（可视化界面）

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()

9)使用数据扩充

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') # 这是带有图像预处理实用程序的模块 from keras.preprocessing import image fnames = [os.path.join(train_cats_dir, fname) for fname in os.listdir(train_cats_dir)] # 我们选择一个图像来“增强” img_path = fnames[3] # 读取图像并调整其大小 img = image.load_img(img_path, target_size=(150, 150)) # 将其转换为具有形状的Numpy数组（150、150、3） x = image.img_to_array(img) # 把它改成（1150150，3） x = x.reshape((1,) + x.shape) # 下面的.flow（）命令生成一批随机转换的图像。 # 它将无限循环，所以我们需要在某个时刻“打破”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 += 1 if i % 4 == 0: break plt.show()

如果我们使用这种数据增强配置训练一个新网络，我们的网络将永远不会看到两次相同的输入。但是，输入它所看到的仍然是高度相关的，因为它们来自于少量的原始图像——我们无法产生新的信息，我们只能重新混合现有的信息。因此，这可能还不足以完全摆脱过度装修。继续战斗过度拟合，我们还将在密连接分类器之前向模型添加一个退出层：

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'])

10)使用数据扩充和退出来训练我们的网络

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,) # 请注意，不应增加验证数据！ test_datagen = ImageDataGenerator(rescale=1./255) train_generator = train_datagen.flow_from_directory( # 这是目标目录 train_dir, # 所有图像将调整为150x150 target_size=(150, 150), batch_size=32, # 因为我们使用二元交叉熵损失，我们需要二元标签 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=100, validation_data=validation_generator, validation_steps=50)

11)保存模型

model.save('D:\\smile1\\smiles_and_unsmiles_small_2.h5')

12)在培训和验证数据上绘制模型的损失和准确性（可视化界面）

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()

三、完成一个摄像头采集自己人脸、并对表情（笑脸和非笑脸）的实时分类判读（输出分类文字）的程序；

1.基于上面卷积神经网络的笑脸识别

#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('D:\\smile1\\smiles_and_unsmiles_small_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: break rec(img_rd) if cv2.waitKey(5) & 0xFF == ord('q'): break video.release() cv2.destroyAllWindows()

2.基于Dlib的笑脸识别

#基于Dlib的笑脸识别 #!Anaconda/anaconda/python # coding: utf-8 """ 从视屏中识别人脸，并实时标出面部特征点 """ import dlib # 人脸识别的库dlib import numpy as np # 数据处理的库numpy import cv2 # 图像处理的库OpenCv class face_emotion(): def __init__(self): # 使用特征提取器get_frontal_face_detector self.detector = dlib.get_frontal_face_detector() # dlib的68点模型，使用作者训练好的特征预测器 self.predictor = dlib.shape_predictor("E:/shape_predictor_68_face_landmarks.dat") # 建cv2摄像头对象，这里使用电脑自带摄像头，如果接了外部摄像头，则自动切换到外部摄像头 self.cap = cv2.VideoCapture(0) # 设置视频参数，propId设置的视频参数，value设置的参数值 self.cap.set(3, 480) # 截图screenshoot的计数器 self.cnt = 0 def learning_face(self): # 眉毛直线拟合数据缓冲 line_brow_x = [] line_brow_y = [] # cap.isOpened（）返回true/false 检查初始化是否成功 while (self.cap.isOpened()): # cap.read() # 返回两个值： # 一个布尔值true/false，用来判断读取视频是否成功/是否到视频末尾 # 图像对象，图像的三维矩阵 flag, im_rd = self.cap.read() # 每帧数据延时1ms，延时为0读取的是静态帧 k = cv2.waitKey(1) # 取灰度 img_gray = cv2.cvtColor(im_rd, cv2.COLOR_RGB2GRAY) # 使用人脸检测器检测每一帧图像中的人脸。并返回人脸数rects faces = self.detector(img_gray, 0) # 待会要显示在屏幕上的字体 font = cv2.FONT_HERSHEY_SIMPLEX # 如果检测到人脸 if (len(faces) != 0): # 对每个人脸都标出68个特征点 for i in range(len(faces)): # enumerate方法同时返回数据对象的索引和数据，k为索引，d为faces中的对象 for k, d in enumerate(faces): # 用红色矩形框出人脸 cv2.rectangle(im_rd, (d.left(), d.top()), (d.right(), d.bottom()), (0, 0, 255)) # 计算人脸热别框边长 self.face_width = d.right() - d.left() # 使用预测器得到68点数据的坐标 shape = self.predictor(im_rd, d) # 圆圈显示每个特征点 for i in range(68): cv2.circle(im_rd, (shape.part(i).x, shape.part(i).y), 2, (0, 255, 0), -1, 8) # cv2.putText(im_rd, str(i), (shape.part(i).x, shape.part(i).y), cv2.FONT_HERSHEY_SIMPLEX, 0.5, # (255, 255, 255)) # 分析任意n点的位置关系来作为表情识别的依据 mouth_width = (shape.part(54).x - shape.part(48).x) / self.face_width # 嘴巴咧开程度 mouth_higth = (shape.part(66).y - shape.part(62).y) / self.face_width # 嘴巴张开程度 # print("嘴巴宽度与识别框宽度之比：",mouth_width_arv) # print("嘴巴高度与识别框高度之比：",mouth_higth_arv) # 通过两个眉毛上的10个特征点，分析挑眉程度和皱眉程度 brow_sum = 0 # 高度之和 frown_sum = 0 # 两边眉毛距离之和 for j in range(17, 21): brow_sum += (shape.part(j).y - d.top()) + (shape.part(j + 5).y - d.top()) frown_sum += shape.part(j + 5).x - shape.part(j).x line_brow_x.append(shape.part(j).x) line_brow_y.append(shape.part(j).y) # self.brow_k, self.brow_d = self.fit_slr(line_brow_x, line_brow_y) # 计算眉毛的倾斜程度 tempx = np.array(line_brow_x) tempy = np.array(line_brow_y) z1 = np.polyfit(tempx, tempy, 1) # 拟合成一次直线 self.brow_k = -round(z1[0], 3) # 拟合出曲线的斜率和实际眉毛的倾斜方向是相反的 brow_hight = (brow_sum / 10) / self.face_width # 眉毛高度占比 brow_width = (frown_sum / 5) / self.face_width # 眉毛距离占比 # print("眉毛高度与识别框高度之比：",round(brow_arv/self.face_width,3)) # print("眉毛间距与识别框高度之比：",round(frown_arv/self.face_width,3)) # 眼睛睁开程度 eye_sum = (shape.part(41).y - shape.part(37).y + shape.part(40).y - shape.part(38).y + shape.part(47).y - shape.part(43).y + shape.part(46).y - shape.part(44).y) eye_hight = (eye_sum / 4) / self.face_width # print("眼睛睁开距离与识别框高度之比：",round(eye_open/self.face_width,3)) # 分情况讨论 # 张嘴，可能是开心或者惊讶 if round(mouth_higth >= 0.03): if eye_hight >= 0.056: cv2.putText(im_rd, "amazing", (d.left(), d.bottom() + 20), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 0, 255), 2, 4) else: cv2.putText(im_rd, "happy", (d.left(), d.bottom() + 20), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 0, 255), 2, 4) # 没有张嘴，可能是正常和生气 else: if self.brow_k <= -0.3: cv2.putText(im_rd, "angry", (d.left(), d.bottom() + 20), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 0, 255), 2, 4) else: cv2.putText(im_rd, "nature", (d.left(), d.bottom() + 20), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 0, 255), 2, 4) # 标出人脸数 cv2.putText(im_rd, "Faces: " + str(len(faces)), (20, 50), font, 1, (0, 0, 255), 1, cv2.LINE_AA) else: # 没有检测到人脸 cv2.putText(im_rd, "No Face", (20, 50), font, 1, (0, 0, 255), 1, cv2.LINE_AA) # 添加说明 im_rd = cv2.putText(im_rd, "S: screenshot", (20, 400), font, 0.8, (0, 0, 255), 1, cv2.LINE_AA) im_rd = cv2.putText(im_rd, "Q: quit", (20, 450), font, 0.8, (0, 0, 255), 1, cv2.LINE_AA) # 按下s键截图保存 if (k == ord('s')): self.cnt += 1 cv2.imwrite("screenshoot" + str(self.cnt) + ".jpg", im_rd) # 按下q键退出 if (k == ord('q')): break # 窗口显示 cv2.imshow("camera", im_rd) # 释放摄像头 self.cap.release() # 删除建立的窗口 cv2.destroyAllWindows() if __name__ == "__main__": my_face = face_emotion() my_face.learning_face()

注意：这个退出是要检测不到人脸后，按下Q键就可以退出

四、将笑脸数据集换成口罩数据集，完成对口罩佩戴与否的模型训练，采取合适的特征提取方法，重新做上述2-3部。

1.用上述同样的方法修改图片的命名格式

2.卷积网络模型搭建

3.图像生成器读取文件中数据，进行数据预处理。

4.使用数据扩充

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')

5.使用数据扩充和退出来训练我们的网络

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=50, validation_data=validation_generator, validation_steps=50)

6.保存模型

model.save('D:/mask1/masks_and_unmasks_small_2.h5')

7.在培训和验证数据上绘制模型的损失和准确性（可视化界面）

8.实现摄像头口罩识别判断

#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('D:/mask1/masks_and_unmasks_small_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='unmask' else: result='mask' 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: break rec(img_rd) if cv2.waitKey(5) & 0xFF == ord('q'): break video.release() cv2.destroyAllWindows()

Processed: 0.010, SQL: 9