DeepFace 情绪识别功能使用指南

DeepFace 情绪识别功能使用指南

最近在研究情绪识别模型，整理一下DeepFace模型。DeepFace的问题是对windows平台的支持性不太好，想使用GPU加速很困难。希望有人能告诉我怎么能在windows上正常使用DeepFace模型！

DeepFace 情绪识别功能使用指南

DeepFace 是一个功能强大的人脸识别库，除了人脸比对和验证之外，它还提供了丰富的人脸属性分析功能，其中包括情绪识别。本文档将引导您如何使用 DeepFace 来识别图像和视频中的人物情绪。

核心功能 DeepFace.analyze()

进行情绪识别的主要入口是 DeepFace.analyze() 函数。该函数可以分析单张或多张图片，并返回检测到的人脸的多种属性，包括情绪、年龄、性别和种族。

基本用法

要对一张图片进行情绪分析，您只需要调用 analyze() 函数，并指定 actions 参数为 ('emotion',)。

这是一个简单的 Python 代码示例：

from deepface import DeepFace
import cv2
import matplotlib.pyplot as plt

# 使用一张测试图片，请将其替换为您自己的图片路径
img_path = "path/to/your/image.jpg" 

try:
    # 使用 aac tions 参数指定只进行情绪分析
    analysis_result = DeepFace.analyze(img_path=img_path, actions=('emotion',))

    # analysis_result 是一个包含检测到的每张脸结果的列表
    # 在这个例子中我们只处理第一张脸
    if isinstance(analysis_result, list) and len(analysis_result) > 0:
        first_face = analysis_result[0]
        
        dominant_emotion = first_face['dominant_emotion']
        emotion_scores = first_face['emotion']
        
        print(f"检测到的主要情绪是: {dominant_emotion}")
        print("详细情绪得分:")
        for emotion, score in emotion_scores.items():
            print(f"- {emotion}: {score:.2f}%")

        # 可选：在图像上显示结果
        img = cv2.imread(img_path)
        img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
        
        face_region = first_face['region']
        x, y, w, h = face_region['x'], face_region['y'], face_region['w'], face_region['h']
        
        cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)
        cv2.putText(img, dominant_emotion, (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)
        
        plt.imshow(img)
        plt.axis('off')
        plt.show()

    else:
        print("在图片中没有检测到人脸，或者返回结果格式不符合预期。")
        # 打印原始结果以供调试
        print("原始返回结果:", analysis_result)


except Exception as e:
    print(f"分析时发生错误: {e}")

注意: 请将 "path/to/your/image.jpg" 替换为您要分析的图片的实际路径。

analyze() 函数的关键参数

• img_path: 要分析的图像的路径。可以是本地文件路径、一个 numpy 数组（BGR 格式）或者 Base64 编码的图像字符串。
• actions: 一个元组（tuple）或列表（list），用于指定要执行的分析任务。为了只进行情绪识别，请将其设置为 ('emotion',)。默认情况下，它会执行所有分析：('emotion', 'age', 'gender', 'race')。
• detector_backend: 选择用于人脸检测的后端。可选值包括 'opencv', 'ssd', 'dlib', 'mtcnn', 'retinaface', 'mediapipe' 等。默认是 'opencv'。根据图片的特点，选择不同的后端可能会得到更好的检测效果。

理解输出结果

analyze() 函数的返回值是一个列表，列表中的每个元素都是一个字典，代表一个在图像中检测到的人脸。如果图像中只有一张脸，那么列表就只包含一个元素。

每个字典包含以下关键信息：

• region: 一个字典，包含了人脸边界框的位置和大小，如 {'x': 212, 'y': 136, 'w': 382, 'h': 382}。
• dominant_emotion: 一个字符串，表示检测到的最主要的情绪。例如：'happy'。
• emotion: 一个字典，包含了所有可能情绪的置信度得分。DeepFace 可以识别以下七种情绪：
  • angry (愤怒)
  • disgust (厌恶)
  • fear (恐惧)
  • happy (开心)
  • sad (伤心)
  • surprise (惊讶)
  • neutral (中性)

一个典型的 emotion 字典输出如下：

{
  "angry": 0.01,
  "disgust": 0.0,
  "fear": 0.02,
  "happy": 99.89,
  "sad": 0.05,
  "surprise": 0.01,
  "neutral": 0.03
}

实时情绪分析 DeepFace.stream()

除了分析静态图片，DeepFace 还支持通过 stream() 函数进行实时视频流的情绪分析。这可以用于分析来自摄像头或者视频文件的实时画面。

stream() 函数用法

from deepface import DeepFace

# 使用默认摄像头进行实时分析
# db_path 可以指向一个包含人脸图片的数据库文件夹，用于实时识别人物身份
# 如果你只关心情绪分析，可以将其设置为空字符串
DeepFace.stream(db_path="", enable_face_analysis=True)

在 stream() 函数运行时，它会打开一个窗口显示摄像头的画面，并在检测到的人脸周围绘制边界框，同时显示识别出的身份（如果配置了 db_path）以及包括情绪在内的面部属性。

• enable_face_analysis: 这个参数必须设置为 True 才能在实时视频流中进行情绪等属性的分析。

总结

DeepFace 为开发者提供了一个简单易用的接口来集成先进的人脸情绪识别功能。通过 analyze() 和 stream() 两个主要函数，您可以轻松地为您的应用程序添加对静态图片或实时视频的情绪分析能力。希望本篇指南能帮助您快速上手。