目录

概述       

 具体实现

1.加载分类器

 2.打开摄像头并识别人脸

3.处理人脸并检测是否微笑

效果

总结

---

概述       

        OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉和机器学习库，广泛应用于图像处理和视频分析等领域。在OpenCV的众多功能中，人脸微笑检测是一项极具吸引力的技术，它结合了人脸检测技术和表情分析技术，能够自动识别和定位图像或视频中人脸的微笑表情。这一技术在人机交互、情感分析、安全监控以及用户体验研究等领域展现出巨大的应用潜力和价值。

        人脸微笑检测的实现过程通常包括两个主要步骤：首先，通过人脸检测技术定位图像或视频中的人脸区域；然后，在检测到的人脸区域上应用微笑检测算法，判断人脸是否呈现微笑表情。

 具体实现

1.加载分类器

模型资源在文章开头

#导入opencv库，安装可用 pip install opencv-python
import cv2
#加载人脸检测模型
face = cv2.CascadeClassifier('./haarcascade_frontalface_default.xml')
#加载微笑检测模型
smile = cv2.CascadeClassifier('./haarcascade_smile.xml')

 2.打开摄像头并识别人脸

cap = cv2.VideoCapture(0)  # 初始化摄像头
while True:  # 处理每一帧
    ret, frame = cap.read()  # 读取一帧
    frame = cv2.flip(frame, 1)  # 图片翻转， 水平翻转
    # 没有读到，直接退出
    if ret is None:
        break

    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)  # 灰度化（彩色BGR-->灰度Gray)

    face_detect = face.detectMultiScale(gray,  # 人脸检测
                                        scaleFactor=1.1,
                                        minNeighbors=5,
                                        minSize=(5, 5))

objects = cv2.CascadeClassifier.detectMultiScale( image，scaleFactor,minNeighbors, minSize，maxSize)
其中，各个参数及返回值的含义如下。
·image:待检测图像，通常为灰度图像。
·scaleFactor:表示在前后两次相继扫描中搜索窗口的缩放比例。识别，扫描，按照不同比例来进行扫描
·minNeighbors:表示构成检测目标的相邻矩形的最小个数。在默认情况下，该参数的值为 3，
表示有 3 个以上的检测标记存在时才认为存在人脸。如果希望提高检测的准确率可以将该参数的值设置得更大，
但这样做可能会让一些人脸无法被检测到。
·minSize: 目标的最小尺寸，小于这个尺寸的目标将被忽略。
·maxSize: 目标的最大尺寸，大于这个尺寸的目标将被忽略。通常情况下，将该可选参数省略即可。
若 maxSize 和 minSize 大小一致，则表示仅在一个尺度上查找目标。
·objects: 返回值，目标对象的矩形框向量组。该值是一组矩形信息，
包含每个检测到的人脸对应的矩形框的信息 (x轴方向位置、y轴方向位置、宽度、高度)。

3.处理人脸并检测是否微笑

    # ==================处理每个人脸=======================
    for (x, y, w, h) in face_detect:  #得到人脸所在位置
        #绘制方框
        cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)
        # 提取人脸所在区域
        smile_rect = gray[y:y + h, x:x + w]
        # 微笑检测，仅在人脸区域内检测
        smile_detect = smile.detectMultiScale(smile_rect,
                                              scaleFactor=1.5,
                                              minNeighbors=5,
                                              minSize=(50, 50))

        for (sx, sy, sw, sh) in smile_detect:
            # 显示文字“smile”表示微笑了
            cv2.putText(frame, 'smile', (x, y), cv2.FONT_HERSHEY_COMPLEX_SMALL, 1, (0, 255, 0), 2)
    # 显示结果
    cv2.imshow('frame', frame)
    key = cv2.waitKey(1)
    if key == 27:  #27为键盘Esc键
        break

cv2.destroyAllWindows()  #关闭打开的图像窗口
cap.release()  #释放视频捕获对象

cv2.putText(image, ' 绘制内容 ', (绘制位置), 字体类型, 字体大小, (字体颜色), 线条粗细)

效果

该图为打开摄像头后，将手机图片放置摄像头前检测的效果

总结

        通过OpenCV实现人脸微笑检测，不仅能够帮助我们更好地理解和分析人类的情感状态，还能够为各种智能应用提供丰富的情感信息支持。例如，在人机交互系统中，通过检测用户的微笑表情，系统可以自动调整交互策略，提供更加贴心、个性化的服务；在安全监控领域，通过实时监测人脸的微笑表情，可以及时发现异常情况，提高安全防范能力。