前言

利用Python對照片中人臉進行顔值預測！

Python開發案例，opencv_python子產品實作照片中人臉進行顔值預測，網友們請謹慎使用！

所需工具

Python版本：3.5.4(64bit)

相關子產品：

opencv_python子產品、sklearn子產品、numpy子產品、dlib子產品以及一些Python自帶的子產品。

環境搭建

（1）安裝相應版本的Python并添加到環境變量中；

（2）pip安裝相關子產品中提到的子產品。

例如：

若pip安裝報錯，請自行到：

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

下載下傳pip安裝報錯子產品的whl檔案，并使用：

pip install whl檔案路徑+whl檔案名安裝。

（已在相關檔案中提供了編譯好的用于dlib庫安裝的whl檔案——>因為這個庫最不好裝）

參考文獻連結

【1】xxxPh.D.的部落格

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

【2】華南理工大學某實驗室

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

主要思路

（1）模型訓練

用了PCA算法對特征進行了壓縮降維；

然後用随機森林訓練模型。

資料源于網絡，據說資料“發源地”就是華南理工大學某實驗室，是以我在參考文獻上才加上了這個實驗室的連結。

（2）提取人臉關鍵點

主要使用了dlib庫。

使用官方提供的模型建構特征提取器。

（3）特征生成

完全參考了xxxPh.D.的部落格。

（4）顔值預測

利用之前的資料和模型進行顔值預測。

使用方式

有特殊疾病者請慎重嘗試預測自己的顔值，本人不對顔值預測的結果和帶來的所有負面影響負責！！！

言歸正傳。

環境搭建完成後，解壓相關檔案中的Face_Value.rar檔案，cmd視窗切換到解壓後的*.py檔案所在目錄。

打開test_img檔案夾，将需要預測顔值的照片放入并重命名為test.jpg。

若嫌麻煩或者有其他需求，請自行修改：

getLandmarks.py檔案中第13行。

最後依次運作：

train_model.py(想直接用我模型的請忽略此步)

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


# 特征和對應的分數路徑
features_path = './data/features_ALL.txt'
ratings_path = './data/ratings.txt'

# 載入資料
# 共500組資料
# 其中前480組資料作為訓練集，後20組資料作為測試集
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: ]

# 訓練模型
# 這裡用PCA算法對特征進行了壓縮和降維。
# 降維之後特征變成了20維，也就是說特征一共有500行，每行是一個人的特征向量，每個特征向量有20個元素。
# 用随機森林訓練模型
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)

# 訓練完之後提示訓練結束
print('Generate Model Successfully!')

getLandmarks.py

# 人臉關鍵點提取腳本
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建構特征提取器
predictor = dlib.shape_predictor(PREDICTOR_PATH)
face_img = cv2.imread("test_img/test.jpg")
# 使用detector進行人臉檢測，rects為傳回的結果
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進行人臉關鍵點識别
		landmarks = numpy.matrix([[p.x, p.y] for p in predictor(face_img, rects[faces]).parts()])
		face_img = face_img.copy()
		# 使用enumerate函數周遊序列中的元素以及它們的下标
		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()
# 成功後提示
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

# 顔值預測腳本
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('照片中的人顔值得分依次為(滿分為5分)：')
	k = 1
	for pre in predictions:
		print('第%d個人：' % 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('照片中的人顔值得分為(滿分為5分)：')
	k = 1
	for pre in predictions:
		print(str(pre)+'分')
		k += 1

文章到這裡就結束了，感謝你的觀看，Python爬蟲案例系列，下篇文章預測NBA比賽結果。

Python開發案例，opencv_python子產品實作照片中人臉進行顔值預測，網友們請謹慎使用！

前言

環境搭建

主要思路

繼續閱讀

github 如何和 xcode 聯系起來

[轉]Top 20 Programming Lessons I've Learned in 20 Years

Linux系統指令行整理

Windows指令行使用Git下的Curl指令

科研項目管理平台

WIN10下指令行禁用編輯模式

Eclipse搭建Web Service服務

web service 的簡單實作

Web Service 應用執行個體

Web Service開發實戰

更改LYNC SIP位址

終端環境之tmux

lvm建立、擴容

PLDA簡介

HBuilder開發App Step1——環境搭建，HelloMUI 以及真機調試

27 Best Free Eclipse Plug-ins for Java Developer to be ProductiveCode Quality PluginsText Editor PluginsDependency ManagementVersion Control Integration PluginsFramework Development Continuous Integration Related PluginsOther Utility Plugins