Python如何实现对照片中的人脸进行颜值预测

这篇文章主要为大家展示了“Python如何实现对照片中的人脸进行颜值预测”，内容简而易懂，条理清晰，希望能够帮助大家解决疑惑，下面让小编带领大家一起研究并学习一下“Python如何实现对照片中的人脸进行颜值预测”这篇文章吧。

一、所需工具

**Python版本：**3.5.4(64bit)

二、相关模块

• opencv_python模块

• sklearn模块

• numpy模块

• dlib模块

• 一些Python自带的模块。

三、环境搭建

（1）安装相应版本的Python并添加到环境变量中；

（2）pip安装相关模块中提到的模块。

例如：

若pip安装报错，请自行到：

http://www.lfd.uci.edu/~gohlke/pythonlibs/

下载pip安装报错模块的whl文件，并使用：

pip install whl文件路径+whl文件名安装。

例如：

（已在相关文件中提供了编译好的用于dlib库安装的whl文件——>因为这个库最不好装）

参考文献链接

【1】xxxPh.D.的博客

http://www.learnopencv.com/computer-vision-for-predicting-facial-attractiveness/

【2】华南理工大学某实验室

http://www.hcii-lab.net/data/SCUT-FBP/EN/introduce.html

四、主要思路

（1）模型训练

用了PCA算法对特征进行了压缩降维；

然后用随机森林训练模型。

数据源于网络，据说数据“发源地”就是华南理工大学某实验室，因此我在参考文献上才加上了这个实验室的链接。

（2）提取人脸关键点

主要使用了dlib库。

使用官方提供的模型构建特征提取器。

（3）特征生成

完全参考了xxxPh.D.的博客。

（4）颜值预测

利用之前的数据和模型进行颜值预测。

使用方式

有特殊疾病者请慎重尝试预测自己的颜值，本人不对颜值预测的结果和带来的所有负面影响负责！！！

言归正传。

环境搭建完成后，解压相关文件中的Face_Value.rar文件，cmd窗口切换到解压后的*.py文件所在目录。

例如：

打开test_img文件夹，将需要预测颜值的照片放入并重命名为test.jpg。

例如：

若嫌麻烦或者有其他需求，请自行修改：

getLandmarks.py文件中第13行。

最后依次运行：

train_model.py(想直接用我模型的请忽略此步)

# 模型训练脚本 import numpy as np from sklearn import decomposition from sklearn.ensemble import RandomForestRegressor from sklearn.externals import joblib # 特征和对应的分数路径 features_path = './data/features_ALL.txt' ratings_path = './data/ratings.txt' # 载入数据 # 共500组数据 # 其中前480组数据作为训练集，后20组数据作为测试集 features = np.loadtxt(features_path, delimiter=',') features_train = features[0: -20] features_test = features[-20: ] ratings = np.loadtxt(ratings_path, delimiter=',') ratings_train = ratings[0: -20] ratings_test = ratings[-20: ] # 训练模型 # 这里用PCA算法对特征进行了压缩和降维。 # 降维之后特征变成了20维，也就是说特征一共有500行，每行是一个人的特征向量，每个特征向量有20个元素。 # 用随机森林训练模型 pca = decomposition.PCA(n_components=20) pca.fit(features_train) features_train = pca.transform(features_train) features_test = pca.transform(features_test) regr = RandomForestRegressor(n_estimators=50, max_depth=None, min_samples_split=10, random_state=0) regr = regr.fit(features_train, ratings_train) joblib.dump(regr, './model/face_rating.pkl', compress=1) # 训练完之后提示训练结束 print('Generate Model Successfully!')

getLandmarks.py

# 人脸关键点提取脚本 import cv2 import dlib import numpy # 模型路径 PREDICTOR_PATH = './model/shape_predictor_68_face_landmarks.dat' # 使用dlib自带的frontal_face_detector作为人脸提取器 detector = dlib.get_frontal_face_detector() # 使用官方提供的模型构建特征提取器 predictor = dlib.shape_predictor(PREDICTOR_PATH) face_img = cv2.imread("test_img/test.jpg") # 使用detector进行人脸检测，rects为返回的结果 rects = detector(face_img, 1) # 如果检测到人脸 if len(rects) >= 1:	print("{} faces detected".format(len(rects))) else:	print('No faces detected')	exit() with open('./results/landmarks.txt', 'w') as f:	f.truncate()	for faces in range(len(rects)):	# 使用predictor进行人脸关键点识别	landmarks = numpy.matrix([[p.x, p.y] for p in predictor(face_img, rects[faces]).parts()])	face_img = face_img.copy()	# 使用enumerate函数遍历序列中的元素以及它们的下标	for idx, point in enumerate(landmarks):	pos = (point[0, 0], point[0, 1])	f.write(str(point[0, 0]))	f.write(',')	f.write(str(point[0, 1]))	f.write(',')	f.write('\n')	f.close() # 成功后提示 print('Get landmarks successfully')

getFeatures.py

# 特征生成脚本 # 具体原理请参见参考论文 import math import numpy import itertools def facialRatio(points):	x1 = points[0]	y1 = points[1]	x2 = points[2]	y2 = points[3]	x3 = points[4]	y3 = points[5]	x4 = points[6]	y4 = points[7]	dist1 = math.sqrt((x1-x2)**2 + (y1-y2)**2)	dist2 = math.sqrt((x3-x4)**2 + (y3-y4)**2)	ratio = dist1/dist2	return ratio def generateFeatures(pointIndices1, pointIndices2, pointIndices3, pointIndices4, allLandmarkCoordinates):	size = allLandmarkCoordinates.shape	if len(size) > 1:	allFeatures = numpy.zeros((size[0], len(pointIndices1)))	for x in range(0, size[0]):	landmarkCoordinates = allLandmarkCoordinates[x, :]	ratios = []	for i in range(0, len(pointIndices1)):	x1 = landmarkCoordinates[2*(pointIndices1[i]-1)]	y1 = landmarkCoordinates[2*pointIndices1[i] - 1]	x2 = landmarkCoordinates[2*(pointIndices2[i]-1)]	y2 = landmarkCoordinates[2*pointIndices2[i] - 1]	x3 = landmarkCoordinates[2*(pointIndices3[i]-1)]	y3 = landmarkCoordinates[2*pointIndices3[i] - 1]	x4 = landmarkCoordinates[2*(pointIndices4[i]-1)]	y4 = landmarkCoordinates[2*pointIndices4[i] - 1]	points = [x1, y1, x2, y2, x3, y3, x4, y4]	ratios.append(facialRatio(points))	allFeatures[x, :] = numpy.asarray(ratios)	else:	allFeatures = numpy.zeros((1, len(pointIndices1)))	landmarkCoordinates = allLandmarkCoordinates	ratios = []	for i in range(0, len(pointIndices1)):	x1 = landmarkCoordinates[2*(pointIndices1[i]-1)]	y1 = landmarkCoordinates[2*pointIndices1[i] - 1]	x2 = landmarkCoordinates[2*(pointIndices2[i]-1)]	y2 = landmarkCoordinates[2*pointIndices2[i] - 1]	x3 = landmarkCoordinates[2*(pointIndices3[i]-1)]	y3 = landmarkCoordinates[2*pointIndices3[i] - 1]	x4 = landmarkCoordinates[2*(pointIndices4[i]-1)]	y4 = landmarkCoordinates[2*pointIndices4[i] - 1]	points = [x1, y1, x2, y2, x3, y3, x4, y4]	ratios.append(facialRatio(points))	allFeatures[0, :] = numpy.asarray(ratios)	return allFeatures def generateAllFeatures(allLandmarkCoordinates):	a = [18, 22, 23, 27, 37, 40, 43, 46, 28, 32, 34, 36, 5, 9, 13, 49, 55, 52, 58]	combinations = itertools.combinations(a, 4)	i = 0	pointIndices1 = []	pointIndices2 = []	pointIndices3 = []	pointIndices4 = []	for combination in combinations:	pointIndices1.append(combination[0])	pointIndices2.append(combination[1])	pointIndices3.append(combination[2])	pointIndices4.append(combination[3])	i = i+1	pointIndices1.append(combination[0])	pointIndices2.append(combination[2])	pointIndices3.append(combination[1])	pointIndices4.append(combination[3])	i = i+1	pointIndices1.append(combination[0])	pointIndices2.append(combination[3])	pointIndices3.append(combination[1])	pointIndices4.append(combination[2])	i = i+1	return generateFeatures(pointIndices1, pointIndices2, pointIndices3, pointIndices4, allLandmarkCoordinates) landmarks = numpy.loadtxt("./results/landmarks.txt", delimiter=',', usecols=range(136)) featuresALL = generateAllFeatures(landmarks) numpy.savetxt("./results/my_features.txt", featuresALL, delimiter=',', fmt = '%.04f') print("Generate Feature Successfully!")

Predict.py

# 颜值预测脚本 from sklearn.externals import joblib import numpy as np from sklearn import decomposition pre_model = joblib.load('./model/face_rating.pkl') features = np.loadtxt('./data/features_ALL.txt', delimiter=',') my_features = np.loadtxt('./results/my_features.txt', delimiter=',') pca = decomposition.PCA(n_components=20) pca.fit(features) predictions = [] if len(my_features.shape) > 1:	for i in range(len(my_features)):	feature = my_features[i, :]	feature_transfer = pca.transform(feature.reshape(1, -1))	predictions.append(pre_model.predict(feature_transfer))	print('照片中的人颜值得分依次为(满分为5分)：')	k = 1	for pre in predictions:	print('第%d个人：' % k, end='')	print(str(pre)+'分')	k += 1 else:	feature = my_features	feature_transfer = pca.transform(feature.reshape(1, -1))	predictions.append(pre_model.predict(feature_transfer))	print('照片中的人颜值得分为(满分为5分)：')	k = 1	for pre in predictions:	print(str(pre)+'分')	k += 1

以上是“Python如何实现对照片中的人脸进行颜值预测”这篇文章的所有内容，感谢各位的阅读！相信大家都有了一定的了解，希望分享的内容对大家有所帮助，如果还想学习更多知识，欢迎关注亿速云行业资讯频道！