OpenCV-Python实战（番外篇）——想要识别猫咪的情绪？从猫脸检测开始
OpenCV-Python实战（番外篇）——想要识别猫咪的情绪？从猫脸检测开始
-
- 前言
- 猫脸检测
-
- 使用级联检测器检测猫脸
- 使用深度学习模型检测图片中的猫
- 将 OpenCV 猫脸检测程序部署在 Web 端
- 构造请求检测图像中的猫和猫脸
- 后记
- 相关链接
前言
前些天看到朋友分享的猫咪情绪识别软件的消息，可能小伙伴们也都跃跃欲试，想要做一个合格的铲屎官了。但是想要想识别猫的情绪表情，首先从猫脸检测开始吧！
我们已经学习了如何使用 Python Web 框架创建并部署完整的 Web 人脸检测应用程序，在本项目中，我们将使用 OpenCV 和 Flask 构建检测猫脸的深度学习 Web 应用程序。
猫脸检测
在开始讲解之前，让我们首先快速浏览下项目结构：
cat_detection
|——server
| ├─cat_detection.py
| └─image_processing.py
└─client
├─request_and_draw_rectangle.py
└─test_example.png
使用级联检测器检测猫脸
为了更好的进行代码分离，检测程序在 image_processing.py 脚本中执行，其中编码了 ImageProcessing() 类。我们在 ImageProcessing 类中实现 cat_face_detection() 方法，利用 OpenCV 中的 detectMultiScale() 函数执行猫脸检测。
# image_processing.py
class ImageProcessing(object):
def __init__(self):
# 在构造函数中实例化猫脸检测器
self.file_cascade = os.path.join(os.path.join(os.path.dirname(__file__), 'data'), "haarcascade_frontalcatface_extended.xml")
self.cat_cascade = cv2.CascadeClassifier(self.file_cascade)
def cat_face_detection(self, image):
image_array = np.asarray(bytearray(image), dtype=np.uint8)
img_opencv = cv2.imdecode(image_array, -1)
output = []
gray = cv2.cvtColor(img_opencv, cv2.COLOR_BGR2GRAY)
cats = self.cat_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(25, 25))
for cat in cats:
# 返回检测到的猫脸检测框坐标
x, y, w, h = cat.tolist()
face = {'box': [x, y, x + w, y + h]}
output.append(face)
return output
使用深度学习模型检测图片中的猫
ImageProcessing 类的 cat_detection() 方法使用预训练的 MobileNet SSD 对象检测执行猫检测，它可以检测 20 个类。在本项目中，我们的目标是检测猫，如果 class_id 是一只猫，我们会将检测结果添加到 output 中：
# 在 image_processing.py 中添加 cat_detection() 方法
class ImageProcessing(object):
def __init__(self):
# 在构造函数中实例化猫脸检测器
self.file_cascade = os.path.join(os.path.join(os.path.dirname(__file__), 'data'), "haarcascade_frontalcatface_extended.xml")
self.cat_cascade = cv2.CascadeClassifier(self.file_cascade)
# 在构造函数中实例化 SSD 深度学习模型用于检测猫
self.file_prototxt = os.path.join(os.path.join(os.path.dirname(__file__), 'data'), "MobileNetSSD_deploy.prototxt.txt")
self.file_caffemodel = os.path.join(os.path.join(os.path.dirname(__file__), 'data'), "MobileNetSSD_deploy.caffemodel")
self.classes = ["background", "aeroplane", "bicycle", "bird", "boat", "bottle", "bus",
"car", "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike",
"person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"]
self.net = cv2.dnn.readNetFromCaffe(self.file_prototxt, self.file_caffemodel)
def cat_detection(self, image):
image_array = np.asarray(bytearray(image), dtype=np.uint8)
img_opencv = cv2.imdecode(image_array, -1)
# 图像预处理
blob = cv2.dnn.blobFromImage(img_opencv, 0.007843, (300, 300), (127.5, 127.5, 127.5))
# 前向计算
self.net.setInput(blob)
detections = self.net.forward()
# 预处理后图像尺寸
dim = 300
output = []
for i in range(detections.shape[2]):
confidence = detections[0, 0, i, 2]
if confidence > 0.1:
# 获取类别标签
class_id = int(detections[0, 0, i, 1])
# 获取对象位置的坐标
left = int(detections[0, 0, i, 3] * dim)
top = int(detections[0, 0, i, 4] * dim)
right = int(detections[0, 0, i, 5] * dim)
bottom = int(detections[0, 0, i, 6] * dim)
# 图像尺寸的比例系数
heightFactor = img_opencv.shape[0] / dim
widthFactor = img_opencv.shape[1] / dim
# 检测框坐标
left = int(widthFactor * left)
top = int(heightFactor * top)
right = int(widthFactor * right)
bottom = int(heightFactor * bottom)
# 检测目标是否是猫
if self.classes[class_id] == 'cat':
cat = {'box': [left, top, right, bottom]}
output.append(cat)
return output
以上猫检测模型，使用了 MobileNet-SSD 目标检测模型，这里对训练后 MobileNet-SSD 模型架构和模型权重参数文件进行压缩供大家进行下载，也可以自己构建模型训练获得 MobileNet-SSD 模型参数。
将 OpenCV 猫脸检测程序部署在 Web 端
接下来将使用 OpenCV 创建一个深度学习猫检测 Web API，cat_detection 项目对 Web 服务器应用程序实现在 Web 端检测猫，cat_detection.py 脚本负责解析请求并构建对客户端的响应：
# cat_detection.py
from flask import Flask, request, jsonify
import urllib.request
from image_processing import ImageProcessing
app = Flask(__name__)
ip = ImageProcessing()
@app.errorhandler(400)
def bad_request(e):
return jsonify({'status': 'Not ok', 'message': 'This server could not understand your request'}), 400
@app.errorhandler(404)
def not_found(e):
return jsonify({'status': 'Not found', 'message': 'Route not found'}), 404
@app.errorhandler(500)
def not_found(e):
return jsonify({'status': 'Internal error', 'message': 'Internal error occurred in server'}), 500
@app.route('/catfacedetection', methods=['GET', 'POST', 'PUT'])
def detect_cat_faces():
if request.method == 'GET':
if request.args.get('url'):
with urllib.request.urlopen(request.args.get('url')) as url:
return jsonify({'status': 'Ok', 'result': ip.cat_face_detection(url.read())}), 200
else:
return jsonify({'status': 'Bad request', 'message': 'Parameter url is not present'}), 400
elif request.method == 'POST':
if request.files.get('image'):
return jsonify({'status': 'Ok', 'result': ip.cat_face_detection(request.files['image'].read())}), 200
else:
return jsonify({'status': 'Bad request', 'message': 'Parameter image is not present'}), 400
else:
return jsonify({'status': 'Failure', 'message': 'PUT method not supported for API'}), 405
@app.route('/catdetection', methods=['GET', 'POST', 'PUT'])
def detect_cats():
if request.method == 'GET':
if request.args.get('url'):
with urllib.request.urlopen(request.args.get('url')) as url:
return jsonify({'status': 'Ok', 'result': ip.cat_detection(url.read())}), 200
else:
return jsonify({'status': 'Bad request', 'message': 'Parameter url is not present'}), 400
elif request.method == 'POST':
if request.files.get('image'):
return jsonify({'status': 'Ok', 'result': ip.cat_detection(request.files['image'].read())}), 200
else:
return jsonify({'status': 'Bad request', 'message': 'Parameter image is not present'}), 400
else:
return jsonify({'status': 'Failure', 'message': 'PUT method not supported for API'}), 405
if __name__ == '__main__':
app.run(host='0.0.0.0')
如上所示，使用 route() 装饰器将 detect_cat_faces() 函数绑定到 /catfacedetection URL，并将detect_cats() 函数绑定到 /catdetection URL，并且使用 jsonify() 函数创建 application/json MIME 类型的给定参数的 JSON 表示，此 API 支持 GET 和 POST 请求，我们还通过使用 errorhandler() 装饰函数来注册错误处理程序。
构造请求检测图像中的猫和猫脸
为了测试此API，编写 request_and_draw_rectangle.py 程序：
# request_and_draw_rectangle.py
import cv2
import numpy as np
import requests
from matplotlib import pyplot as plt
def show_img_with_matplotlib(color_img, title, pos):
img_RGB = color_img[:, :, ::-1]
ax = plt.subplot(1, 2, pos)
plt.imshow(img_RGB)
plt.title(title, fontsize=10)
plt.axis('off')
CAT_FACE_DETECTION_REST_API_URL = "http://localhost:5000/catfacedetection"
CAT_DETECTION_REST_API_URL = "http://localhost:5000/catdetection"
IMAGE_PATH = "test_example.png"
# 加载图像构建有效负载
image = open(IMAGE_PATH, 'rb').read()
payload = {'image': image}
image_array = np.asarray(bytearray(image), dtype=np.uint8)
img_opencv = cv2.imdecode(image_array, -1)
fig = plt.figure(figsize=(12, 7))
plt.suptitle("Using cat detection API", fontsize=14, fontweight='bold')
show_img_with_matplotlib(img_opencv, "source image", 1)
# 发送 GET 请求
r = requests.post(CAT_DETECTION_REST_API_URL, files=payload)
# 解析返回信息
print("status code: {}".format(r.status_code))
print("headers: {}".format(r.headers))
print("content: {}".format(r.json()))
json_data = r.json()
result = json_data['result']
# 绘制猫脸检测框
for cat in result:
left, top, right, bottom = cat['box']
cv2.rectangle(img_opencv, (left, top), (right, bottom), (0, 255, 0), 2)
cv2.circle(img_opencv, (left, top), 10, (0, 0, 255), -1)
cv2.circle(img_opencv, (right, bottom), 10, (255, 0, 0), -1)
# 发送 GET 请求
r = requests.post(CAT_FACE_DETECTION_REST_API_URL, files=payload)
# 解析返回信息
print("status code: {}".format(r.status_code))
print("headers: {}".format(r.headers))
print("content: {}".format(r.json()))
json_data = r.json()
result = json_data['result']
# 绘制猫检测框
for face in result:
left, top, right, bottom = face['box']
cv2.rectangle(img_opencv, (left, top), (right, bottom), (0, 255, 255), 2)
cv2.circle(img_opencv, (left, top), 10, (0, 0, 255), -1)
cv2.circle(img_opencv, (right, bottom), 10, (255, 0, 0), -1)
# 结果可视化
show_img_with_matplotlib(img_opencv, "cat detection", 2)
plt.show()
在以上示例中，我们发送了两个 POST 请求以检测猫脸以及图像中的猫，然后根据结果解析来自两个请求的响应并绘制结果：
后记
可以对以上项目进行修改，例如可以在服务器端直接绘制检测框，返回带有检测框的图像；或者读取摄像头视频帧，从而可以实时看到猫咪的行动状态；或者通过检测到的猫脸进一步进行情绪识别，当然需要首先简单的训练一个猫咪情绪识别模型。
相关链接
OpenCV-Python实战（14）——一文详解人脸检测（仅需6行代码轻松学会4种人脸检测方法）
OpenCV-Python实战（19）——OpenCV与深度学习的碰撞
OpenCV-Python实战（20）——OpenCV计算机视觉项目在Web端的部署
OpenCV-Python实战（21）——OpenCV人脸检测项目在Web端的部署