OpenCV-Python实战（番外篇）——想要识别猫咪的情绪？从猫脸检测开始
前言
前些天看到朋友分享的
猫咪情绪识别软件
的消息，可能小伙伴们也都跃跃欲试，想要做一个合格的
铲屎官
了。但是想要想识别猫的情绪表情，首先从猫脸检测开始吧！
我们已经学习了如何使用
Python Web
框架创建并部署完整的
Web
人脸检测应用程序，在本项目中，我们将使用
OpenCV
和
Flask
构建检测猫脸的深度学习
Web
应用程序。
猫脸检测
在开始讲解之前，让我们首先快速浏览下项目结构：
cat_detection
|——server
| ├─cat_detection.py
| └─image_processing.py
└─client
├─request_and_draw_rectangle.py
└─test_example.png
使用级联检测器检测猫脸
为了更好的进行代码分离，检测程序在
image_processing.py
脚本中执行，其中编码了
ImageProcessing()
类。我们在
ImageProcessing
类中实现
cat_face_detection()
方法，利用
OpenCV
中的
detectMultiScale()
函数执行猫脸检测。
# image_processing.pyclassImageProcessing(object):def__init__(self):# 在构造函数中实例化猫脸检测器
self.file_cascade = os.path.join(os.path.join(os.path.dirname(__file__),'data'),"haarcascade_frontalcatface_extended.xml")
self.cat_cascade = cv2.CascadeClassifier(self.file_cascade)defcat_face_detection(self, image):
image_array = np.asarray(bytearray(image), dtype=np.uint8)
img_opencv = cv2.imdecode(image_array,-1)
output =[]
gray = cv2.cvtColor(img_opencv, cv2.COLOR_BGR2GRAY)
cats = self.cat_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(25,25))for cat in cats:# 返回检测到的猫脸检测框坐标
x, y, w, h = cat.tolist()
face ={'box':[x, y, x + w, y + h]}
output.append(face)return output
使用深度学习模型检测图片中的猫
ImageProcessing
类的
cat_detection()
方法使用预训练的
MobileNet SSD
对象检测执行猫检测，它可以检测 20 个类。在本项目中，我们的目标是检测猫，如果
class_id
是一只猫，我们会将检测结果添加到
output
中：
# 在 image_processing.py 中添加 cat_detection() 方法classImageProcessing(object):def__init__(self):# 在构造函数中实例化猫脸检测器
self.file_cascade = os.path.join(os.path.join(os.path.dirname(__file__),'data'),"haarcascade_frontalcatface_extended.xml")
self.cat_cascade = cv2.CascadeClassifier(self.file_cascade)# 在构造函数中实例化 SSD 深度学习模型用于检测猫
self.file_prototxt = os.path.join(os.path.join(os.path.dirname(__file__),'data'),"MobileNetSSD_deploy.prototxt.txt")
self.file_caffemodel = os.path.join(os.path.join(os.path.dirname(__file__),'data'),"MobileNetSSD_deploy.caffemodel")
self.classes =["background","aeroplane","bicycle","bird","boat","bottle","bus","car","cat","chair","cow","diningtable","dog","horse","motorbike","person","pottedplant","sheep","sofa","train","tvmonitor"]
self.net = cv2.dnn.readNetFromCaffe(self.file_prototxt, self.file_caffemodel)defcat_detection(self, image):
image_array = np.asarray(bytearray(image), dtype=np.uint8)
img_opencv = cv2.imdecode(image_array,-1)# 图像预处理
blob = cv2.dnn.blobFromImage(img_opencv,0.007843,(300,300),(127.5,127.5,127.5))# 前向计算
self.net.setInput(blob)
detections = self.net.forward()# 预处理后图像尺寸
dim =300
output =[]for i inrange(detections.shape[2]):
confidence = detections[0,0, i,2]if confidence >0.1:# 获取类别标签
class_id =int(detections[0,0, i,1])# 获取对象位置的坐标
left =int(detections[0,0, i,3]* dim)
top =int(detections[0,0, i,4]* dim)
right =int(detections[0,0, i,5]* dim)
bottom =int(detections[0,0, i,6]* dim)# 图像尺寸的比例系数
heightFactor = img_opencv.shape[0]/ dim
widthFactor = img_opencv.shape[1]/ dim
# 检测框坐标
left =int(widthFactor * left)
top =int(heightFactor * top)
right =int(widthFactor * right)
bottom =int(heightFactor * bottom)# 检测目标是否是猫if self.classes[class_id]=='cat':
cat ={'box':[left, top, right, bottom]}
output.append(cat)return output
以上猫检测模型，使用了
MobileNet-SSD
目标检测模型，这里对训练后
MobileNet-SSD
模型架构和模型权重参数文件进行压缩供大家进行下载，也可以自己构建模型训练获得
MobileNet-SSD
模型参数。
将 OpenCV 猫脸检测程序部署在 Web 端
接下来将使用
OpenCV
创建一个深度学习猫检测
Web API
，
cat_detection
项目对
Web
服务器应用程序实现在
Web
端检测猫，
cat_detection.py
脚本负责解析请求并构建对客户端的响应：
# cat_detection.pyfrom flask import Flask, request, jsonify
import urllib.request
from image_processing import ImageProcessing
app = Flask(__name__)
ip = ImageProcessing()
@app.errorhandler(400)defbad_request(e):return jsonify({'status':'Not ok','message':'This server could not understand your request'}),400
@app.errorhandler(404)defnot_found(e):return jsonify({'status':'Not found','message':'Route not found'}),404
@app.errorhandler(500)defnot_found(e):return jsonify({'status':'Internal error','message':'Internal error occurred in server'}),500
@app.route('/catfacedetection', methods=['GET','POST','PUT'])defdetect_cat_faces():if request.method =='GET':if request.args.get('url'):with urllib.request.urlopen(request.args.get('url'))as url:return jsonify({'status':'Ok','result': ip.cat_face_detection(url.read())}),200else:return jsonify({'status':'Bad request','message':'Parameter url is not present'}),400elif request.method =='POST':if request.files.get('image'):return jsonify({'status':'Ok','result': ip.cat_face_detection(request.files['image'].read())}),200else:return jsonify({'status':'Bad request','message':'Parameter image is not present'}),400else:return jsonify({'status':'Failure','message':'PUT method not supported for API'}),405
@app.route('/catdetection', methods=['GET','POST','PUT'])defdetect_cats():if request.method =='GET':if request.args.get('url'):with urllib.request.urlopen(request.args.get('url'))as url:return jsonify({'status':'Ok','result': ip.cat_detection(url.read())}),200else:return jsonify({'status':'Bad request','message':'Parameter url is not present'}),400elif request.method =='POST':if request.files.get('image'):return jsonify({'status':'Ok','result': ip.cat_detection(request.files['image'].read())}),200else:return jsonify({'status':'Bad request','message':'Parameter image is not present'}),400else:return jsonify({'status':'Failure','message':'PUT method not supported for API'}),405if __name__ =='__main__':
app.run(host='0.0.0.0')
如上所示，使用
route()
装饰器将
detect_cat_faces()
函数绑定到
/catfacedetection URL
，并将
detect_cats()
函数绑定到
/catdetection URL
，并且使用
jsonify()
函数创建
application/json MIME
类型的给定参数的
JSON
表示，此
API
支持
GET
和
POST
请求，我们还通过使用
errorhandler()
装饰函数来注册错误处理程序。
构造请求检测图像中的猫和猫脸
为了测试此API，编写
request_and_draw_rectangle.py
程序：
# request_and_draw_rectangle.pyimport cv2
import numpy as np
import requests
from matplotlib import pyplot as plt
defshow_img_with_matplotlib(color_img, title, pos):
img_RGB = color_img[:,:,::-1]
ax = plt.subplot(1,2, pos)
plt.imshow(img_RGB)
plt.title(title, fontsize=10)
plt.axis('off')
CAT_FACE_DETECTION_REST_API_URL ="http://localhost:5000/catfacedetection"
CAT_DETECTION_REST_API_URL ="http://localhost:5000/catdetection"
IMAGE_PATH ="test_example.png"# 加载图像构建有效负载
image =open(IMAGE_PATH,'rb').read()
payload ={'image': image}
image_array = np.asarray(bytearray(image), dtype=np.uint8)
img_opencv = cv2.imdecode(image_array,-1)
fig = plt.figure(figsize=(12,7))
plt.suptitle("Using cat detection API", fontsize=14, fontweight='bold')
show_img_with_matplotlib(img_opencv,"source image",1)# 发送 GET 请求
r = requests.post(CAT_DETECTION_REST_API_URL, files=payload)# 解析返回信息print("status code: {}".format(r.status_code))print("headers: {}".format(r.headers))print("content: {}".format(r.json()))
json_data = r.json()
result = json_data['result']# 绘制猫脸检测框for cat in result:
left, top, right, bottom = cat['box']
cv2.rectangle(img_opencv,(left, top),(right, bottom),(0,255,0),2)
cv2.circle(img_opencv,(left, top),10,(0,0,255),-1)
cv2.circle(img_opencv,(right, bottom),10,(255,0,0),-1)# 发送 GET 请求
r = requests.post(CAT_FACE_DETECTION_REST_API_URL, files=payload)# 解析返回信息print("status code: {}".format(r.status_code))print("headers: {}".format(r.headers))print("content: {}".format(r.json()))
json_data = r.json()
result = json_data['result']# 绘制猫检测框for face in result:
left, top, right, bottom = face['box']
cv2.rectangle(img_opencv,(left, top),(right, bottom),(0,255,255),2)
cv2.circle(img_opencv,(left, top),10,(0,0,255),-1)
cv2.circle(img_opencv,(right, bottom),10,(255,0,0),-1)# 结果可视化
show_img_with_matplotlib(img_opencv,"cat detection",2)
plt.show()
在以上示例中，我们发送了两个
POST
请求以检测猫脸以及图像中的猫，然后根据结果解析来自两个请求的响应并绘制结果：
后记
可以对以上项目进行修改，例如可以在服务器端直接绘制检测框，返回带有检测框的图像；或者读取摄像头视频帧，从而可以实时看到猫咪的行动状态；或者通过检测到的猫脸进一步进行情绪识别，当然需要首先简单的训练一个猫咪情绪识别模型。
相关链接
OpenCV-Python实战（14）——一文详解人脸检测（仅需6行代码轻松学会4种人脸检测方法）
OpenCV-Python实战（19）——OpenCV与深度学习的碰撞
OpenCV-Python实战（20）——OpenCV计算机视觉项目在Web端的部署
OpenCV-Python实战（21）——OpenCV人脸检测项目在Web端的部署
本文转载自: https://blog.csdn.net/LOVEmy134611/article/details/120584236
版权归原作者 盼小辉丶 所有， 如有侵权，请联系我们删除。
版权归原作者 盼小辉丶 所有， 如有侵权，请联系我们删除。