基于SVM多特征融合的微表情识别python源码+项目说明+详细注释(高分课程设计)

环境说明： python 3.6.10 numpy 1.19.0 pandas 1.0.1 sklearn 0.22.1 cv2 3.3.1 scipy 1.4.1 tensorflow 2.2.0 dlib 19.6.1 imutils 0.5.3 pillow 7.2.0 xlrd 1.2.0 CUDA None 1.Local_weighted_mean_register.py 用于裁剪以及配准人脸，包含类LWMRegister(standard_face, predictor_path, width=192, height=192, offset=24) standard_face: 作为标准人脸的图像，不用经过裁剪 predictor_path: dlib预训练人脸predictor所在地址 width, height: 目标图像的宽与高 offset: 为了避免映射超出图像边缘，在配准前给图像边缘留出的空余 使用方法：调用LWMRegister.run(face_seq, n = 6, amplify = 1.2, aligned=False) face_seq: 需要裁剪与配准的人脸图像序列 n: 计算LWM时采用的相邻点个数 amplify: 在配准时对图像进行一定比例的放大，避免映射超出图像边缘 aligned: True表示face_seq已经经过裁剪、对齐，False表示没有经过 2.Eulerian_video_magnification.py 用于对视频（图像序列）进行动作放大，包含类EVM(fps=200, low=0.2, high=2.4, level=6, alpha=8, lam_c=16, iq_reduce=0.1) fps: 视频的帧率 low, high: 动作放大的频率区间 level: 构建拉普拉斯金字塔的层数 alpha: 动作放大的倍数 lam_c: 参数，用于调节被放大的动作大小的上限deta iq_reduce: 程序将图像转到YIQ颜色空间进行动作放大，iq_reduce表示对IQ通道的缩放倍数，缩小IQ可以减小噪声 使用方法: 调用EVM.run(img_seq) img_seq: 被放大的图像序列 3.Temporal_interpolation_model.py 用于对图像序列进行时域插值，实现帧数的上采样或下采样，包含类TIM() 使用方法：调用TIM.run(image_seq, target_length) image_seq: 需要被插值的图像序列 target_length: 目标帧数 4.Features_extraction.py 用于提取图像序列的特征，包括LBP-TOP、3DHOG、HOOF 使用方法：调用函数 get_ep_features(ep, uniform_dict = None, feature='LBP-TOP', t_times=4, y_times=4, x_times=4, x_radius = 1, y_radius = 1, t_radius = 4, xy_neighbor=8, xt_neighbor=8, yt_neighbor=8, xy_bins = 8, xt_bins = 12, yt_bins = 12, bins=8) ep: 提取特征的图像序列 uniform_dict: 用于减小LBP-TOP特征维度，只有LBP-TOP特征需要 feature: 可选'LBP-TOP', '3DHOG', 'HOOF' t_times, y_times, x_times: 将图像序列在t, y, x三个维度分成多少子块提取特征，推荐LBP-TOP的t_times=1 x_radius, y_radius, t_radius, xy_neighbor, xy_neighbor, yt_neighbor: LBP-TOP参数 xy_bins, xt_bins, yt_bins: 3DHOG参数 bins: HOOF参数 5.Classification_and_evaluation.py 使用svm评估模型的分类效果，并输出最高的metric以及对应参数，使用方法： 调用函数get_best_average(data, labels, sub_list, kernel='linear', split='loso', average='macro') data: 特征数据 labels: 数据标签 sub_list: 每条数据属于哪个subject, 在程序中直接设置为df.Subject kernel: 选择svm的核函数，可选'linear', 'poly', 'rbf' split: 分割数据方式，可选'loso', '10-fold' average: 计算Average F1-score的权重选择，可选'macro', 'micro', 'weighted' 查看某一特定参数下的分类效果，调用avg_score(data, label, sub_list, kernel='rbf', C=2, gamma=10, degree=3, decision_function_shape='ovr', n_splits=10, split='loso', seed=7, average='macro') data, label, sub_list, kernel, split, average: 同上 C, gamma, degree: svm参数 decision_function_shape: 可选'ovo'与'ovr'，推荐'ovr' n_splits: k-fold验证的fold数 seed: k-fold划分的随机数种子 6.main.py 将上述文件与main.py放在同一目录下，直接运行main.py： a. 从同目录下的CASME II文件夹中提取数据，文件夹的结构为CASME II/subject_name/ep_name/image b. 程序所需文件在CASME II文件夹下，分别为CASME2.xlsx, shape_predictor_68_face_landmarks.dat, UniformLBP8.txt c. 程序将CASME II中第一个表情的第一张图片作为标准面部图像，对所有图像序列进行裁剪与配准，得到192*192的图像序列 d. 将配准后的结果存入result/lwm_result.npy中 e. 随后程序对图像序列进行动作放大，其中放大频率区间为[0.2Hz, 2.4Hz], 放大因子为8 f. 随后对图像序列进行时序插值，目标帧数为10帧 g. 随后对图像序列提取LBP-TOP、3DHOG、HOOF特征，存放于result/features/LBP_feature.npy (或HOG_feature.npy, HOOF_feature.npy) h. 随后分别对特征使用svm进行分类，输出最好的分类结果与对应的svm参数 注意，main.py中参数并非最优，在实际使用时注意调整参数（包括TIM目标帧数、动作放大因子、特征提取分块数等）