基于图像的面部表情识别
fer的Python项目详细描述
FER
面部表情识别。
安装
目前，fer只支持python 3.6以后的版本。可以安装 通过PIP:
$ pip install fer
此实现要求opencv>；=3.2和tensorflow>；=1.7.0 安装在系统中，具有python3的绑定。
它们可以通过PIP安装（如果PIP版本>；=9.0.1）：
$ pip install tensorflow>=1.7 opencv-contrib-python==3.3.0.9
或直接从源代码编译 （OpenCV3， Tensorflow）。
注意，如果GPU设备 在系统上可用，这将加速结果。可能是 与PIP一起安装：
$ pip install tensorflow-gpu\>=1.7.0
用法
下面的示例演示了此软件包的易用性：
fromferimportFERimportcv2img=cv2.imread("justin.jpg")detector=FER()detector.detect_emotions(img)
样本输出：
OrderedDict([{'box': [277, 90, 48, 63], 'emotions': {'angry': 0.02, 'disgust': 0.0, 'fear': 0.05, 'happy': 0.16, 'neutral': 0.09, 'sad': 0.27, 'surprise': 0.41}])
只想要最强烈的情感？尝试：
emotion,score=detector.top_emotion(img)# 'happy', 0.99
mtcnn面部识别
默认情况下，使用opencv的haar级联分类器检测面。为了使用更精确的MTCNN网络， 添加参数：
detector=FER(mtcnn=True)
视频
为了识别视频中的面部表情，Video类将视频分割成帧。它可以在后端使用本地keras模型（默认）或peltarion api：
fromferimportVideofromferimportFERvideo_filename="tests/woman2.mp4"video=Video(video_filename)# Analyze video, displaying the outputdetector=FER(mtcnn=True)raw_data=video.analyze(detector,display=True)df=video.to_pandas(raw_data)
检测器返回一个json对象列表。每个json对象都包含 两个键：“box”和“emotions”：
- 边框的格式为键下的[X，Y，Width，Height] “盒子”。
- 这些情绪被格式化为一个json对象，并带有“anger”键， “厌恶”、“恐惧”、“快乐”、“悲伤”、“惊讶”和“中立”。
其他好的用法示例可以在文件中找到 example.py和video-example.py 位于此存储库的根目录中。
Peltarion API
将api url作为emotion_model参数添加到FER()：
detector = FER(emotion_model=MY_API_URL)
然后，fer将从环境中获取url和标记EMOTION_API_URL和EMOTION_API_TOKEN。
型号
fer捆绑了keras模型，以及对Peltarionapi的支持。
该模型是一个卷积神经网络，权值保存到hdf5。
与模块路径相关的data文件夹中的文件。可能是
在
使用emotion_model参数实例化。
许可证
学分
此代码包括复制或派生自 伊万·德帕斯·森特诺的implementation MTCNN和Octavia Arriaga的facial expression recognition repo。
参考
FER 2013数据集由Pierre Luc Carrier和Aaron Courville管理，如所述：
《表示学习的挑战：三机器学习竞赛的报告》，由Ian J. Goodfellow、Dumitru Erhan、Pierre Luc Carrier、Aaron Courville、Mehdi Mirza、Ben Hamner、Will Cukierski、So、Y、Y、Y、Y、Y、Y、Y、Y、Y、Y、John Shawe Taylor，Maxim Milakov，John Park，Radu Ionescu，Marius Popescu，Cristian Grozea，James Bergstra，Pig，Y，Y，γ，和，^ {A12}。欢迎加入QQ群-->： 979659372
