Python如何實(shí)現(xiàn)對照片中的人臉進(jìn)行顏值預(yù)測

這篇文章主要為大家展示了“Python如何實(shí)現(xiàn)對照片中的人臉進(jìn)行顏值預(yù)測”，內(nèi)容簡而易懂，條理清晰，希望能夠幫助大家解決疑惑，下面讓小編帶領(lǐng)大家一起研究并學(xué)習(xí)一下“Python如何實(shí)現(xiàn)對照片中的人臉進(jìn)行顏值預(yù)測”這篇文章吧。

一、所需工具

**Python版本：**3.5.4(64bit)

二、相關(guān)模塊

• opencv_python模塊

• sklearn模塊

• numpy模塊

• dlib模塊

• 一些Python自帶的模塊。

三、環(huán)境搭建

（1）安裝相應(yīng)版本的Python并添加到環(huán)境變量中；

（2）pip安裝相關(guān)模塊中提到的模塊。

例如：

若pip安裝報(bào)錯(cuò)，請自行到：

http://www.lfd.uci.edu/~gohlke/pythonlibs/

下載pip安裝報(bào)錯(cuò)模塊的whl文件，并使用：

pip install whl文件路徑+whl文件名安裝。

例如：

（已在相關(guān)文件中提供了編譯好的用于dlib庫安裝的whl文件——>因?yàn)檫@個(gè)庫最不好裝）

參考文獻(xiàn)鏈接

【1】xxxPh.D.的博客

http://www.learnopencv.com/computer-vision-for-predicting-facial-attractiveness/

【2】華南理工大學(xué)某實(shí)驗(yàn)室

http://www.hcii-lab.net/data/SCUT-FBP/EN/introduce.html

四、主要思路

（1）模型訓(xùn)練

用了PCA算法對特征進(jìn)行了壓縮降維；

然后用隨機(jī)森林訓(xùn)練模型。

數(shù)據(jù)源于網(wǎng)絡(luò)，據(jù)說數(shù)據(jù)“發(fā)源地”就是華南理工大學(xué)某實(shí)驗(yàn)室，因此我在參考文獻(xiàn)上才加上了這個(gè)實(shí)驗(yàn)室的鏈接。

（2）提取人臉關(guān)鍵點(diǎn)

主要使用了dlib庫。

使用官方提供的模型構(gòu)建特征提取器。

（3）特征生成

完全參考了xxxPh.D.的博客。

（4）顏值預(yù)測

利用之前的數(shù)據(jù)和模型進(jìn)行顏值預(yù)測。

使用方式

有特殊疾病者請慎重嘗試預(yù)測自己的顏值，本人不對顏值預(yù)測的結(jié)果和帶來的所有負(fù)面影響負(fù)責(zé)?。?！

言歸正傳。

環(huán)境搭建完成后，解壓相關(guān)文件中的Face_Value.rar文件，cmd窗口切換到解壓后的*.py文件所在目錄。

例如：

打開test_img文件夾，將需要預(yù)測顏值的照片放入并重命名為test.jpg。

例如：

若嫌麻煩或者有其他需求，請自行修改：

getLandmarks.py文件中第13行。

最后依次運(yùn)行：

train_model.py(想直接用我模型的請忽略此步)

# 模型訓(xùn)練腳本
import numpy as np
from sklearn import decomposition
from sklearn.ensemble import RandomForestRegressor
from sklearn.externals import joblib


# 特征和對應(yīng)的分?jǐn)?shù)路徑
features_path = './data/features_ALL.txt'
ratings_path = './data/ratings.txt'

# 載入數(shù)據(jù)
# 共500組數(shù)據(jù)
# 其中前480組數(shù)據(jù)作為訓(xùn)練集，后20組數(shù)據(jù)作為測試集
features = np.loadtxt(features_path, delimiter=',')
features_train = features[0: -20]
features_test = features[-20: ]
ratings = np.loadtxt(ratings_path, delimiter=',')
ratings_train = ratings[0: -20]
ratings_test = ratings[-20: ]

# 訓(xùn)練模型
# 這里用PCA算法對特征進(jìn)行了壓縮和降維。
# 降維之后特征變成了20維，也就是說特征一共有500行，每行是一個(gè)人的特征向量，每個(gè)特征向量有20個(gè)元素。
# 用隨機(jī)森林訓(xùn)練模型
pca = decomposition.PCA(n_components=20)
pca.fit(features_train)
features_train = pca.transform(features_train)
features_test = pca.transform(features_test)
regr = RandomForestRegressor(n_estimators=50, max_depth=None, min_samples_split=10, random_state=0)
regr = regr.fit(features_train, ratings_train)
joblib.dump(regr, './model/face_rating.pkl', compress=1)

# 訓(xùn)練完之后提示訓(xùn)練結(jié)束
print('Generate Model Successfully!')

getLandmarks.py

# 人臉關(guān)鍵點(diǎn)提取腳本
import cv2
import dlib
import numpy


# 模型路徑
PREDICTOR_PATH = './model/shape_predictor_68_face_landmarks.dat'
# 使用dlib自帶的frontal_face_detector作為人臉提取器
detector = dlib.get_frontal_face_detector()
# 使用官方提供的模型構(gòu)建特征提取器
predictor = dlib.shape_predictor(PREDICTOR_PATH)
face_img = cv2.imread("test_img/test.jpg")
# 使用detector進(jìn)行人臉檢測，rects為返回的結(jié)果
rects = detector(face_img, 1)
# 如果檢測到人臉
if len(rects) >= 1:
	print("{} faces detected".format(len(rects)))
else:
	print('No faces detected')
	exit()
with open('./results/landmarks.txt', 'w') as f:
	f.truncate()
	for faces in range(len(rects)):
		# 使用predictor進(jìn)行人臉關(guān)鍵點(diǎn)識別
		landmarks = numpy.matrix([[p.x, p.y] for p in predictor(face_img, rects[faces]).parts()])
		face_img = face_img.copy()
		# 使用enumerate函數(shù)遍歷序列中的元素以及它們的下標(biāo)
		for idx, point in enumerate(landmarks):
			pos = (point[0, 0], point[0, 1])
			f.write(str(point[0, 0]))
			f.write(',')
			f.write(str(point[0, 1]))
			f.write(',')
		f.write('\n')
	f.close()
# 成功后提示
print('Get landmarks successfully')

getFeatures.py

# 特征生成腳本
# 具體原理請參見參考論文
import math
import numpy
import itertools


def facialRatio(points):
	x1 = points[0]
	y1 = points[1]
	x2 = points[2]
	y2 = points[3]
	x3 = points[4]
	y3 = points[5]
	x4 = points[6]
	y4 = points[7]
	dist1 = math.sqrt((x1-x2)**2 + (y1-y2)**2)
	dist2 = math.sqrt((x3-x4)**2 + (y3-y4)**2)
	ratio = dist1/dist2
	return ratio


def generateFeatures(pointIndices1, pointIndices2, pointIndices3, pointIndices4, allLandmarkCoordinates):
	size = allLandmarkCoordinates.shape
	if len(size) > 1:
		allFeatures = numpy.zeros((size[0], len(pointIndices1)))
		for x in range(0, size[0]):
			landmarkCoordinates = allLandmarkCoordinates[x, :]
			ratios = []
			for i in range(0, len(pointIndices1)):
				x1 = landmarkCoordinates[2*(pointIndices1[i]-1)]
				y1 = landmarkCoordinates[2*pointIndices1[i] - 1]
				x2 = landmarkCoordinates[2*(pointIndices2[i]-1)]
				y2 = landmarkCoordinates[2*pointIndices2[i] - 1]
				x3 = landmarkCoordinates[2*(pointIndices3[i]-1)]
				y3 = landmarkCoordinates[2*pointIndices3[i] - 1]
				x4 = landmarkCoordinates[2*(pointIndices4[i]-1)]
				y4 = landmarkCoordinates[2*pointIndices4[i] - 1]
				points = [x1, y1, x2, y2, x3, y3, x4, y4]
				ratios.append(facialRatio(points))
			allFeatures[x, :] = numpy.asarray(ratios)
	else:
		allFeatures = numpy.zeros((1, len(pointIndices1)))
		landmarkCoordinates = allLandmarkCoordinates
		ratios = []
		for i in range(0, len(pointIndices1)):
			x1 = landmarkCoordinates[2*(pointIndices1[i]-1)]
			y1 = landmarkCoordinates[2*pointIndices1[i] - 1]
			x2 = landmarkCoordinates[2*(pointIndices2[i]-1)]
			y2 = landmarkCoordinates[2*pointIndices2[i] - 1]
			x3 = landmarkCoordinates[2*(pointIndices3[i]-1)]
			y3 = landmarkCoordinates[2*pointIndices3[i] - 1]
			x4 = landmarkCoordinates[2*(pointIndices4[i]-1)]
			y4 = landmarkCoordinates[2*pointIndices4[i] - 1]
			points = [x1, y1, x2, y2, x3, y3, x4, y4]
			ratios.append(facialRatio(points))
		allFeatures[0, :] = numpy.asarray(ratios)
	return allFeatures


def generateAllFeatures(allLandmarkCoordinates):
	a = [18, 22, 23, 27, 37, 40, 43, 46, 28, 32, 34, 36, 5, 9, 13, 49, 55, 52, 58]
	combinations = itertools.combinations(a, 4)
	i = 0
	pointIndices1 = []
	pointIndices2 = []
	pointIndices3 = []
	pointIndices4 = []
	for combination in combinations:
		pointIndices1.append(combination[0])
		pointIndices2.append(combination[1])
		pointIndices3.append(combination[2])
		pointIndices4.append(combination[3])
		i = i+1
		pointIndices1.append(combination[0])
		pointIndices2.append(combination[2])
		pointIndices3.append(combination[1])
		pointIndices4.append(combination[3])
		i = i+1
		pointIndices1.append(combination[0])
		pointIndices2.append(combination[3])
		pointIndices3.append(combination[1])
		pointIndices4.append(combination[2])
		i = i+1
	return generateFeatures(pointIndices1, pointIndices2, pointIndices3, pointIndices4, allLandmarkCoordinates)


landmarks = numpy.loadtxt("./results/landmarks.txt", delimiter=',', usecols=range(136))
featuresALL = generateAllFeatures(landmarks)
numpy.savetxt("./results/my_features.txt", featuresALL, delimiter=',', fmt = '%.04f')
print("Generate Feature Successfully!")

Predict.py

# 顏值預(yù)測腳本
from sklearn.externals import joblib
import numpy as np
from sklearn import decomposition


pre_model = joblib.load('./model/face_rating.pkl')
features = np.loadtxt('./data/features_ALL.txt', delimiter=',')
my_features = np.loadtxt('./results/my_features.txt', delimiter=',')
pca = decomposition.PCA(n_components=20)
pca.fit(features)
predictions = []
if len(my_features.shape) > 1:
	for i in range(len(my_features)):
		feature = my_features[i, :]
		feature_transfer = pca.transform(feature.reshape(1, -1))
		predictions.append(pre_model.predict(feature_transfer))
	print('照片中的人顏值得分依次為(滿分為5分)：')
	k = 1
	for pre in predictions:
		print('第%d個(gè)人：' % k, end='')
		print(str(pre)+'分')
		k += 1
else:
	feature = my_features
	feature_transfer = pca.transform(feature.reshape(1, -1))
	predictions.append(pre_model.predict(feature_transfer))
	print('照片中的人顏值得分為(滿分為5分)：')
	k = 1
	for pre in predictions:
		print(str(pre)+'分')
		k += 1

以上是“Python如何實(shí)現(xiàn)對照片中的人臉進(jìn)行顏值預(yù)測”這篇文章的所有內(nèi)容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內(nèi)容對大家有所幫助，如果還想學(xué)習(xí)更多知識，歡迎關(guān)注億速云行業(yè)資訊頻道！