### 使用 OpenCV 和 Python 实现面部表情识别 要实现面部表情识别，可以通过结合 OpenCV 的人脸检测功能以及 dlib 提供的表情特征点提取工具完成。以下是详细的说明和代码示例。 #### 安装依赖库 为了运行此项目，需确保已安装以下库： - `opencv-python`：用于处理图像和视频流。 - `dlib`：提供高级的人脸特征点检测算法。 - `numpy`：辅助数据操作。 可通过以下命令安装所需库[^2]: ```bash pip install opencv-python dlib numpy ``` #### 基本流程概述 1. **加载模型**：使用 Haar 或 LBP 级联分类器进行人脸检测。 2. **获取特征点**：利用 dlib 中的 shape predictor 获取脸部的关键点坐标。 3. **表情分析**：基于关键点计算几何参数或输入到机器学习模型中预测情绪类别。 下面展示了一个简单的例子程序： ```python import cv2 import dlib from imutils import face_utils import numpy as np # 初始化级联分类器与形状预测器 detector = dlib.get_frontal_face_detector() predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat") cap = cv2.VideoCapture(0) while True: ret, frame = cap.read() gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) rects = detector(gray, 0) # 检测人脸 for rect in rects: landmarks = predictor(gray, rect) landmarks_np = face_utils.shape_to_np(landmarks) # 计算眼睛纵横比 (EAR)，作为简单的情绪判断依据之一 left_eye_points = landmarks_np[36:42] right_eye_points = landmarks_np[42:48] def eye_aspect_ratio(points): A = np.linalg.norm(points[1] - points[5]) B = np.linalg.norm(points[2] - points[4]) C = np.linalg.norm(points[0] - points[3]) ear = (A + B) / (2.0 * C) return ear left_ear = eye_aspect_ratio(left_eye_points) right_ear = eye_aspect_ratio(right_eye_points) avg_ear = (left_ear + right_ear) / 2.0 if avg_ear < 0.2: # 如果 EAR 小于阈值，则认为闭眼（可能表示困倦） emotion_label = 'Tired' elif avg_ear >= 0.2 and avg_ear <= 0.3: emotion_label = 'Neutral' else: emotion_label = 'Awake' cv2.putText(frame, f'Emotion: {emotion_label}', (rect.left(), rect.top() - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2) # 显示特征点 for point in landmarks_np: cv2.circle(frame, tuple(point), radius=1, color=(0, 0, 255), thickness=-1) cv2.imshow('Facial Expression Recognition', frame) key = cv2.waitKey(1) & 0xFF if key == ord('q'): break cap.release() cv2.destroyAllWindows() ``` 上述脚本实现了如下功能： - 利用 Dlib 进行人脸定位及特征点标注[^3]； - 对双眼区域应用自定义函数评估睁眼程度，并据此推测当前状态是否疲倦或其他基础情感标签； - 动态显示结果直至按下键盘按键退出循环[^1]。 #### 注意事项 该方案仅提供了初步的情感估计方式——即通过眼部活动推断警觉水平。对于更加复杂的表情辨识任务来说，通常还需要借助深度学习框架训练专门针对各类别（如愤怒、快乐等）定制化的 CNN 模型来进行精准判定。