在一中，我们训练了一个，可以识别angry、disgust、fear、happy、sad、surprised、normal七种人脸表情。
本文将建立在表情识别的基础上，设计一款AR变脸效果的软件，通过前置摄像头获取人脸图像，使用训练好的模型进行人脸表情识别，然后根据不同的表情，实现不同脸谱的渲染。
软件效果截图如下，首先右上角有按钮，FPS打开则显示当前帧数，Emotion打开则显示当前表情识别结果，Mask打开则渲染脸谱效果。
动图效果放在文末。
1、模型转换
我们的模型使用Keras训练，但是这样的模型是无法直接在Android移动端使用的，所以需要转换为Android可用的。
幸运的是TensorFlow的TensorFlow Lite（tflite）可以在Android上使用，如果能将模型转换为tflite，则就可以将模型移植到Android。
因为Keras以及被包含在TensorFlow里了，所以转换也非常方便：
from keras.models import Model,load_model
import tensorflow as tf
# keras模型的文件按路径
model=load_model(r"keras.hdf5",compile=False) # keras.hdf5是Keras训练好的模型
converter =tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()
open("output.tflite", 'wb').write(tflite_model) # 转换成功后会得到output.tflite文件，这个就是转换后的模型，可以在Android中使用
2、Android部署
现在我们得到了模型文件，那么在Android部署还需要一个推理框架：tensorflow.lite
在Android中模型部署，将表情识别写成一个类：TFLiteClassificationUtil，在这个类里主要有两个方法，preProcess用于预处理：当我们从前置摄像头拿到人脸图像后，需要进行图像缩放、类型变换、维度变换、灰度变换等处理，让输入符合模型的要求，predict用于预测：也就是接收一个图像数据，使用我们的tflite模型进行预测得到结果并返回。
package com.google.ar.core.examples.java.augmentedfaces;
import android.graphics.Bitmap;
import org.tensorflow.lite.DataType;
import org.tensorflow.lite.Interpreter;
import org.tensorflow.lite.nnapi.NnApiDelegate;
import org.tensorflow.lite.support.tensorbuffer.TensorBuffer;
import java.nio.ByteBuffer;
import java.nio.ByteOrder;
import java.io.File;
public class TFLiteClassificationUtil {
private Interpreter tflite;
private final TensorBuffer outputProbabilityBuffer;
private static final int NUM_THREADS = 4;
int[] imageShape; //用以储存model的input_shape [1,n,n,channel]
/**
* @param modelPath model path
*/
public TFLiteClassificationUtil(String modelPath) throws Exception {
File file = new File(modelPath);
if (!file.exists()) {
throw new Exception("model file is not exists!");
}
try {
Interpreter.Options options = new Interpreter.Options();
// 使用多线程预测
options.setNumThreads(NUM_THREADS);
// 使用Android自带的API或者GPU加速
NnApiDelegate delegate = new NnApiDelegate();
// GpuDelegate delegate = new GpuDelegate();
options.addDelegate(delegate);
tflite = new Interpreter(file, options);
// 获取输入，shape为{1, height, width, 3}
String input="conv2d_input";
String output="Identity";
imageShape = tflite.getInputTensor(tflite.getInputIndex(input)).shape();
DataType imageDataType = tflite.getInputTensor(tflite.getInputIndex(input)).dataType();
// 获取输入，shape为{1, NUM_CLASSES}
int[] probabilityShape = tflite.getOutputTensor(tflite.getOutputIndex(output)).shape();
DataType probabilityDataType = tflite.getOutputTensor(tflite.getOutputIndex(output)).dataType();
outputProbabilityBuffer = TensorBuffer.createFixedSize(probabilityShape, probabilityDataType);
// 添加图像预处理方式
//about input/output more info: https://www.tensorflow.org/lite/inference_with_metadata/lite_support
} catch (Exception e) {
e.printStackTrace();
throw new Exception("load model fail!");
}
}
private ByteBuffer preProcess(Bitmap bitmap) {
// 设置想要的大小（也即是model的input shape）
int newWidth = imageShape[1];
int newHeight = imageShape[2];
bitmap=Bitmap.createScaledBitmap(bitmap, newWidth, newHeight, false);
//buffer初始化 //定义一个Buffer,可以直接加载run()
ByteBuffer inputBuffer = ByteBuffer.allocateDirect(4 * 1 * newWidth * newHeight * 1);
inputBuffer.order(ByteOrder.nativeOrder());
inputBuffer.rewind();
// The bitmap shape should be 28 x 28
int[] pixels=new int[newWidth * newHeight];
bitmap.getPixels(pixels, 0, newWidth, 0, 0, newWidth, newHeight);
for(int i =0;i<newWidth * newHeight;i++){
int pixel = pixels[i];
float avg = (((pixel >> 16) & 0xFF) * 38 + ((pixel >> 8) & 0xFF) * 75 + (pixel & 0xFF) * 15) >> 7; //RGB图像转灰度图，pixels是多字节直接换算后的整数，所以还是用位运算更直接简便
inputBuffer.putFloat(avg);
}
return inputBuffer;
}
// 执行预测
float[] predict(Bitmap bmp) throws Exception { //传入一张bitmap图
ByteBuffer inputImageBuffer= preProcess(bmp);
try {
tflite.run(inputImageBuffer, outputProbabilityBuffer.getBuffer().rewind()); //开始推理
} catch (Exception e) {
throw new Exception("predict image fail! log:" + e);
}
float[] results = outputProbabilityBuffer.getFloatArray();
int l = getMaxResult(results);
return new float[]{l, results[l]};
}
// 获取概率最大的标签
public static int getMaxResult(float[] result) {
float probability = 0;
int r = 0;
for (int i = 0; i < result.length; i++) {
if (probability < result[i]) {
probability = result[i];
r = i;
}
}
return r;
}
}
3、脸谱AR
既然表情识别问题解决了，现在来解决脸谱AR的实现。
首先Android软件的整体框架：
其中AR使用Google ARCore框架实现，下图是ARCore的流程图，通过拿去摄像头图像数据、位置分析、渲染效果，不断重复，就感觉实现了AR效果。
结合本设计，最后设计的流程图如下所示：
Tflite魔抗就是表情识别。获取图像数据后，分析人脸表情，根据不同表情加载不同的脸谱样式，然后给人脸渲染上脸谱。
比如，下面的代码就是通过不同表情类别（0~6表示），渲染不同的脸谱
switch (maxIndex) {
case 0:
augmentedFaceRenderer_0.draw(projectionMatrix, viewMatrix, modelMatrix, colorCorrectionRgba, face);
break;
case 1:
augmentedFaceRenderer_1.draw(projectionMatrix, viewMatrix, modelMatrix, colorCorrectionRgba, face);
break;
case 2:
augmentedFaceRenderer_2.draw(projectionMatrix, viewMatrix, modelMatrix, colorCorrectionRgba, face);
break;
case 3:
augmentedFaceRenderer_3.draw(projectionMatrix, viewMatrix, modelMatrix, colorCorrectionRgba, face);
break;
case 4:
augmentedFaceRenderer_4.draw(projectionMatrix, viewMatrix, modelMatrix, colorCorrectionRgba, face);
break;
case 5:
augmentedFaceRenderer_5.draw(projectionMatrix, viewMatrix, modelMatrix, colorCorrectionRgba, face);
break;
case 6:
augmentedFaceRenderer_6.draw(projectionMatrix, viewMatrix, modelMatrix, colorCorrectionRgba, face);
break;
}
4、演示效果
通过变换不同的表情，实现脸谱变脸：
脸谱AR演示_x264
![[附源码]计算机毕业设计JAVA基于协同过滤算法的网上招聘系统](https://img-blog.csdnimg.cn/6bda8b0bba514b84b53b5e5a2a627a34.png)
