0
0

OpenCV-Python实战（番外篇）——想要识别猫咪的情绪？从猫脸检测开始

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：
构造请求检测图像中的猫和猫脸

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

标签： python opencv 计算机视觉
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。
登录后发布评论

“OpenCV-Python实战（番外篇）——想要识别猫咪的情绪？从猫脸检测开始”的评论:

还没有评论
关于作者
...
overfit同步小助手
文章同步
相关阅读

Unity Apple Vision Pro 自定义手势识别交互

【MySQL】数据库必考知识点：查询操作全面详解与深度解剖

2024年，Rust开发语言，现在怎么样了?

AI自动生成PPT哪一个好？有这4个AI PPT神器就足够

如何保障AWS根账号安全

WebSocket测试工具与网络助手

「图文详解」Pycharm 远程服务器Debug

文章导航