用 Python 来 DIY 一个 AI 面部情绪识别 API 的简单方案

2024-07-30
北京
本文字数：1529 字
阅读完需：约 5 分钟

基于人工智能的面部情绪识别 API 在很多场景都得到了应用，在人们情绪化消费、兴趣化消费的当下，如何察言观色，洞察用户真实的心理活动非常必要，对于大多数的人来说，这事非常有挑战，好在以 ChatGPT 为代表的大语言模型涌现出了‘初级智慧’，叠加行业数据训练之后，在理解人类情绪也有着出色的表现。幂简集成开放API平台整理了一批AI大模型API、情绪分析API接口供大家使用。如果开发者不想直接用开放 API 接口来实现面部情绪识别功能，希望自己用 Python 开发语言定制一个达到同样功能的面部情绪识别的简单代码，可以尝试以下步骤。

第 1 步：设置环境

安装 Python：确保你的系统上安装了 Python。
创建虚拟环境（可选，但推荐）：bashpython -m venv emotion_recognition_env source emotion_recognition_env/bin/activate
安装所需库：bashpip install numpy opencv-python tensorflow keras

第 2 步：准备预训练模型和 AI 训练数据

选择模型：有几种预训练模型可用于情绪识别，例如 Keras 应用程序中的模型或在 FER-2013 等数据集上训练的自定义模型。
准备数据

第 3 步：面部检测

使用面部检测库：OpenCV 是面部检测的流行选择。
加载面部检测模型：

face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

复制代码

第 4 步：预处理图像

检测面部：使用面部检测模型在图像中找到面部。
预处理检测到的面部：调整和规范化检测到的面部，以适应情绪识别模型的输入要求。

第 5 步：情绪识别

预测情绪：将预处理的面部图像通过情绪识别模型进行预测。
解释输出：模型将输出每个情绪类别的一组概率。

第 6 步：显示结果

绘制边界框：在检测到的面部周围绘制矩形。
标记情绪：在每个边界框上方放置预测的情绪。

第 7 步：与视频流集成（可选）

捕获视频：使用 OpenCV 从摄像头捕获视频。
处理帧：将面部检测和情绪识别应用于每一帧。

示例代码片段

这里有一个简单的示例来帮助你开始：

import cv2
from keras.applications.fer2013_mini import FER2013Mini, preprocess_input
from keras.preprocessing import image
import numpy as np


# 加载模型
model = FER2013Mini()


# 加载图像
img_path = 'path_to_your_image.jpg'
img = image.load_img(img_path, target_size=(48, 48))
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)
x = preprocess_input(x)


# 预测情绪
preds = model.predict(x)
print('预测情绪:', np.argmax(preds[0]))


# 加载面部检测模型
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')


# 读取图像
img = cv2.imread(img_path)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)


# 检测面部
faces = face_cascade.detectMultiScale(gray, 1.3, 5)


for (x, y, w, h) in faces:
    cv2.rectangle(img, (x, y), (x+w, y+h), (255, 0, 0), 2)
    roi_gray = gray[y:y+h, x:x+w]
    roi = roi_gray.copy()
    roi = cv2.resize(roi, (48, 48))
    roi = preprocess_input(roi)
    roi = np.expand_dims(roi, axis=0)
    preds = model.predict(roi)
    cv2.putText(img, 'Emotion: ' + str(np.argmax(preds[0])), (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (36,255,12), 2)


# 显示图像
cv2.imshow('Emotion Recognition', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

复制代码

第 8 步：测试和优化

测试你的应用程序：使用不同的图像和视频流运行你的代码，看看它的性能如何。
优化你的模型：如果需要，用更多的数据重新训练你的模型或调整超参数。

总结

本案例只是用来学习，并无实际的商业应用价值，开发者也可以直接使用这些成熟的商业 API，例如:情绪分析 API-Twinword-Inc 情绪分析API接口-Metadata Webit文本情绪分析

发布于: 刚刚阅读数: 5

原文链接:【http://xie.infoq.cn/article/7bcae69ee10c0fe2bf1d97972】。文章转载请联系作者。

幂简集成

关注

幂简集成，是国内领先的API资源网络平台。 2023-11-17 加入

还未添加个人简介

发布

暂无评论

创作场景