不使用深度学习的人脸表情识别python代码实现,要详细中文注释

以下是一个基于传统机器学习方法的人脸表情识别 Python 代码，使用的是 OpenCV 和 scikit-learn 库。

首先，需要导入所需的库：

import cv2
import numpy as np
from sklearn.externals import joblib

接下来，加载训练好的分类器模型和特征选取器模型：

clf = joblib.load('classifier.pkl')
feat_extract = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

然后，定义分类器模型和特征选取器模型的参数：

IMG_SIZE = 48
NUM_FEATURES = 576

接着，定义一个函数用于从图像中提取人脸特征：

def extract_features(img):
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    faces = feat_extract.detectMultiScale(gray, scaleFactor=1.3, minNeighbors=5)
    if len(faces) == 0:
        return None
    (x, y, w, h) = faces[0]
    face_crop = gray[y:y+h, x:x+w]
    face_resized = cv2.resize(face_crop, (IMG_SIZE, IMG_SIZE))
    return face_resized.flatten()

该函数首先将输入图像转换为灰度图像，然后使用特征选取器模型检测人脸，并将其裁剪出来。接着，将裁剪后的人脸图像缩放到指定的大小，并将其展平为一个一维向量，作为人脸的特征值。

最后，定义一个函数用于对输入的图像进行表情识别：

def predict_emotion(img):
    features = extract_features(img)
    if features is None:
        return None
    else:
        emotion_labels = ['Angry', 'Disgust', 'Fear', 'Happy', 'Sad', 'Surprise', 'Neutral']
        emotion_id = clf.predict([features])[0]
        return emotion_labels[emotion_id]

该函数首先使用 extract_features 函数从输入图像中提取人脸特征。如果提取不到特征，则返回 None。否则，使用分类器模型对提取出的特征进行分类，并返回预测的表情标签。

完整代码如下：

import cv2
import numpy as np
from sklearn.externals import joblib

clf = joblib.load('classifier.pkl')
feat_extract = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

IMG_SIZE = 48
NUM_FEATURES = 576

def extract_features(img):
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    faces = feat_extract.detectMultiScale(gray, scaleFactor=1.3, minNeighbors=5)
    if len(faces) == 0:
        return None
    (x, y, w, h) = faces[0]
    face_crop = gray[y:y+h, x:x+w]
    face_resized = cv2.resize(face_crop, (IMG_SIZE, IMG_SIZE))
    return face_resized.flatten()

def predict_emotion(img):
    features = extract_features(img)
    if features is None:
        return None
    else:
        emotion_labels = ['Angry', 'Disgust', 'Fear', 'Happy', 'Sad', 'Surprise', 'Neutral']
        emotion_id = clf.predict([features])[0]
        return emotion_labels[emotion_id]

需要注意的是，该方法的表情识别准确率可能不如深度学习方法。