
import cv2
 
faceCascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
smile = cv2.CascadeClassifier('haarcascade_smile.xml')
 
cap = cv2.VideoCapture(0)
 
while True:
    ret, image = cap.read()
    image = cv2.flip(image, 1)
    if ret is None:
        break
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
 
    faces = faceCascade.detectMultiScale(gray,
                                         scaleFactor=1.1,
                                         minNeighbors=10,
                                         minSize=(10, 10))
 
    for (x, y, w, h) in faces:
        cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)
        roi_gray_face = gray[y:y + h, x:x + w]
        smiles = smile.detectMultiScale(roi_gray_face,
                                        scaleFactor=1.2,
                                        minNeighbors=20,
                                        minSize=(10, 10))
        if len(smiles) > 8:
            print(len(smiles))
 
        for (sx, sy, sw, sh) in smiles:
            cv2.putText(image, 'smile', (x, y), cv2.FONT_HERSHEY_COMPLEX_SMALL, 1,
                        (0, 255, 255), thickness=2)
 
    cv2.imshow('dect', image)
    key = cv2.waitKey(100)
    if key == 27:
        break
cap.release()
cv2.destroyWindow()

2.详细代码

1、加载Haar级联分类器：


faceCascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')  
smile = cv2.CascadeClassifier('haarcascade_smile.xml')

这两行代码加载了两个Haar级联分类器。第一个是用于检测正面的人脸，第二个是用于检测微笑。

2、视频捕获：

cap = cv2.VideoCapture(0)

这行代码打开摄像头进行视频捕获。在这里，参数0表示使用默认的摄像头。

3、循环读取视频帧：


while True:  
    ret, image = cap.read()  
    image = cv2.flip(image, 1)  
    if ret is None:  
        break  
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

这段代码进入一个无限循环，从摄像头捕获视频帧，并且把每一帧都翻转（可能是为了在显示时更好地观察）。当无法从摄像头读取新的帧时（即ret is None），循环终止。然后，将彩色图像转换为灰度图像，以便进行人脸和微笑检测。

4、人脸检测：


faces = faceCascade.detectMultiScale(gray,  
                                     scaleFactor=1.1,  
                                     minNeighbors=10,  
                                     minSize=(10, 10))

使用faceCascade分类器进行人脸检测。detectMultiScale方法接收四个参数：灰度图像、缩放因子、最小邻居数和最小大小。这段代码会检测出所有满足这些条件的人脸。

5、在检测到的人脸上画矩形并检测微笑：


for (x, y, w, h) in faces:  
    cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)  
    roi_gray_face = gray[y:y + h, x:x + w]  
    smiles = smile.detectMultiScale(roi_gray_face,  
                                    scaleFactor=1.2,  
                                    minNeighbors=20,  
                                    minSize=(10, 10))

这段代码遍历所有检测到的人脸，并在每个脸上画一个矩形。然后，从这个人脸区域中提取ROI（Region of Interest），并使用smile分类器检测这个ROI中是否有微笑。

6、判断是否有微笑并输出结果：


if len(smiles) > 8:  
    print(len(smiles))

如果smiles列表的长度大于8，那么就打印出这个长度。

7、在检测到微笑的区域上画矩形和文本：


for (sx, sy, sw, sh) in smiles:  
    cv2.putText(image, 'smile', (x, y), cv2.FONT_HERSHEY_COMPLEX_SMALL, 1,  
                (0, 255, 255), thickness=2)

如果在一个脸上检测到多个微笑，这段代码会在每个微笑的区域上画一个矩形，并在矩形中心添加文本“smile”。

8、显示处理后的图像并等待用户输入：


cv2.imshow('dect', image)  
key = cv2.waitKey(100)  
if key == 27:  
    break

使用cv2.imshow函数显示处理后的图像。cv2.waitKey(100)使程序等待100毫秒或直到用户按下一个键。如果用户按下ESC键（键码为27），则跳出循环，结束程序。

3.运行结果

一个没有笑脸的人：

一个有笑脸的人：

多个有笑脸的人：

三、总结

人脸笑脸检测通常基于人脸检测的结果，通过分析人脸的纹理特征、形状特征和动态特征等来识别微笑。然而，人脸笑脸检测技术也存在一些挑战和难点。例如，不同人种的微笑特征存在差异，如何提高算法的泛化能力是一个难题；同时，在复杂背景、光照条件、人物姿态等因素的影响下，如何准确地识别微笑也是一个具有挑战性的问题。

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/黑客灵魂/article/detail/763328