计算机视觉（opencv）——嘴部表情检测

实时嘴部表情检测系统：从微笑到哭泣的智能识别

一、项目背景与意义

在计算机视觉领域中，人脸表情识别（Facial Expression Recognition, FER）是一项重要的研究方向。传统的表情识别通常依赖于整张人脸的特征提取，但在很多场景下，仅仅通过嘴部的形变就能准确反映一个人的情绪变化。例如：

驾驶员监控系统中，嘴角上扬代表心情放松，嘴角下垂可能表示疲劳或情绪低落；
课堂学习状态分析中，微笑往往代表专注或兴趣；
智能客服系统中，用户的嘴型可以作为辅助情绪输入。

本文基于 dlib 的 68 点人脸特征定位模型 ，结合 OpenCV 实现实时嘴部表情检测。我们将实现以下功能：

检测人脸；
获取嘴部关键点；
计算嘴部形态参数（MAR 与 MJR）；
识别"正常"、"微笑"、"大笑"；
拓展实现"哭/悲伤"的检测。

二、算法核心原理

本项目的核心思想是通过计算嘴部的几何比例参数来判断表情。

（1）68 点特征模型

shape_predictor_68_face_landmarks.dat 模型由 dlib 提供，能检测出人脸上的 68 个关键点：

1--17：下颌轮廓；
18--27：眉毛；
28--36：鼻子；
37--48：眼睛；
49--68：嘴部。

嘴部的关键点如下图所示：

复制代码

48 ------ 54：嘴部外轮廓的左右端点
50, 52, 56, 58：嘴部上下边缘点

这些点为我们计算嘴部的几何特征提供了基础。

（2）嘴部高宽比 MAR（Mouth Aspect Ratio）

嘴部高宽比定义为：

MAR = \\frac{(A + B + C) / 3}{D}

其中：

A、B、C 分别是上下嘴唇之间的三条垂直距离；
D 是嘴的水平宽度（48 到 54 号点）。

在代码中实现如下：

复制代码

def MAR(shape):
    A = euclidean_distances(np.array(shape[50]), np.array(shape[58]))
    B = euclidean_distances(np.array(shape[51]), np.array(shape[57]))
    C = euclidean_distances(np.array(shape[52]), np.array(shape[56]))
    D = euclidean_distances(np.array(shape[48]), np.array(shape[54]))
    return ((A + B + C) / 3) / D

当人嘴张开时，A、B、C 增大，因此 MAR 值上升。

正常闭嘴：MAR ≈ 0.2~0.35
微笑：MAR ≈ 0.4
大笑或张嘴：MAR > 0.5

（3）嘴宽与脸颊宽比 MJR（Mouth--Jaw Ratio）

微笑不仅会让嘴角上扬，还会拉宽嘴部。因此，我们再引入一个嘴宽/脸颊宽比：

MJR = \\frac{嘴宽度}{下颌宽度} = \\frac{d_{48,54}}{d_{3,13}}

复制代码

def MJR(shape):
    M = euclidean_distances(np.array(shape[48]), np.array(shape[54]))  # 嘴宽
    J = euclidean_distances(np.array(shape[3]), np.array(shape[13]))   # 下颌宽
    return M / J

一般规律为：

正常：MJR < 0.38
微笑：MJR ≈ 0.40~0.45
大笑：MJR > 0.46

三、系统功能实现与代码解析

完整代码如下：

复制代码

import numpy as np
import dlib
import cv2
from sklearn.metrics.pairwise import euclidean_distances
from PIL import Image, ImageDraw, ImageFont

# ------------------- 计算嘴部参数函数 -------------------
def MAR(shape):
    A = euclidean_distances(np.array(shape[50]), np.array(shape[58]))
    B = euclidean_distances(np.array(shape[51]), np.array(shape[57]))
    C = euclidean_distances(np.array(shape[52]), np.array(shape[56]))
    D = euclidean_distances(np.array(shape[48]), np.array(shape[54]))
    return ((A + B + C) / 3) / D

def MJR(shape):
    M = euclidean_distances(np.array(shape[48]), np.array(shape[54]))
    J = euclidean_distances(np.array(shape[3]), np.array(shape[13]))
    return M / J

# ------------------- 中文输出函数 -------------------
def cv2AddChineseText(img, text, position, textColor=(0, 255, 0), textSize=30):
    if (isinstance(img, np.ndarray)):
        img = Image.fromarray(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
    draw = ImageDraw.Draw(img)
    fontStyle = ImageFont.truetype("simsun.ttc", textSize, encoding="utf-8")
    draw.text(position, text, textColor, font=fontStyle)
    return cv2.cvtColor(np.asarray(img), cv2.COLOR_RGB2BGR)

# ------------------- 模型加载 -------------------
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()
    rects = detector(frame, 0)
    for rect in rects:
        shape = predictor(frame, rect)
        shape = np.matrix([[p.x, p.y] for p in shape.parts()])

        mar = MAR(shape)
        mjr = MJR(shape)

        result = "正常"
        if mar > 0.5:
            result = "大笑"
        elif mjr > 0.45:
            result = "微笑"

        # 绘制嘴部区域
        mouthHull = cv2.convexHull(shape[48:61])
        cv2.drawContours(frame, [mouthHull], -1, (0, 255, 0), 1)

        frame = cv2AddChineseText(frame, f"{result}", (50, 100))

        print(f"MAR: {mar:.3f}\tMJR: {mjr:.3f}\t表情: {result}")

    cv2.imshow("Frame", frame)
    if cv2.waitKey(1) == 27:  # ESC 退出
        break

cv2.destroyAllWindows()
cap.release()

四、运行效果与结果分析

系统运行后，会实时捕获摄像头图像，检测人脸并计算嘴部参数。程序每帧打印 MAR 和 MJR 的值，并在窗口中用中文显示当前表情类型。

表情	MAR 范围	MJR 范围	特征描述
正常	0.25--0.35	0.35--0.40	嘴闭合，嘴角自然
微笑	0.35--0.45	0.40--0.45	嘴角上扬，嘴部稍宽
大笑	>0.5	>0.46	嘴张开明显，上下唇分离

通过打印值可以自行调整阈值，以适应不同光线和人脸大小。

五、算法拓展：加入"哭/悲伤"检测

"哭"或"悲伤"表情通常伴随嘴角下垂、嘴部略张。为了检测此类表情，可以结合嘴角坐标高度差。

（1）嘴角高度差计算

设左嘴角点为 48，右嘴角点为 54，嘴部中心点为 51（上唇中点）。

如果嘴角比中点低很多，说明嘴角下垂，可视为"悲伤"或"哭泣"。

计算公式如下：

Sadness = \\frac{y_{48} + y_{54}}{2} - y_{51}

复制代码

def SAD(shape):
    left = shape[48][1, 0]
    right = shape[54][1, 0]
    top = shape[51][1, 0]
    return ((left + right) / 2) - top

一般规律：

正常/微笑：SAD < 0；
哭/悲伤：SAD > 2~5（像素差）。

（2）集成到主循环

加入悲伤检测逻辑：

复制代码

sad_value = SAD(shape)
if mar > 0.5:
    result = "大笑"
elif mjr > 0.45:
    result = "微笑"
elif sad_value > 3:
    result = "哭泣/悲伤"
else:
    result = "正常"

通过组合三个特征（MAR、MJR、SAD），可以区分更多情绪状态。

六、性能优化与注意事项

关键点模型加载时间
- shape_predictor_68_face_landmarks.dat 文件较大（约 100MB），建议在程序开头加载一次；
- 若需速度更快，可使用 shape_predictor_5_face_landmarks.dat 轻量模型，仅包含眼睛和嘴角特征。
摄像头分辨率
- 默认分辨率可能较低（640×480），可以通过：
  复制代码
```
cap.set(cv2.CAP_PROP_FRAME_WIDTH, 1280)
cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 720)
```
  提升检测精度。
光照条件
- 建议使用均匀光线，避免强背光；
- 可加入 cv2.equalizeHist 对图像亮度进行均衡化。
多线程优化
- 如果需要在实时监控系统中使用，可将检测与绘图分离至两个线程，提高帧率。

七、应用场景拓展

应用场景	功能说明
驾驶员监控	检测驾驶员微笑/打哈欠，判断疲劳或情绪
教育场景	检测学生表情变化，分析学习兴趣
智能客服	根据客户表情动态调整语气或推荐内容
互动娱乐	表情控制游戏角色（如微笑触发动作）
医疗康复	辅助评估患者面部肌肉恢复情况

八、未来方向

未来可结合深度学习模型（如 CNN + LSTM）实现更精准的多情绪识别，同时加入眼部、眉毛等特征，实现更全面的情绪判断。此外，还可采用面部 3D 重建或光流分析，识别更细微的表情动态。

九、总结

本文从嘴部几何特征出发，通过计算 MAR（高宽比） 与 MJR（嘴宽比），实现了实时的"微笑"、"大笑"、"正常"表情识别，并扩展实现了"哭/悲伤"的检测。该系统具有以下优点：

轻量级：无需深度学习模型；
实时性强：CPU 即可流畅运行；
可扩展性高：容易加入更多表情类型。

这种基于几何分析的嘴部表情识别方法，虽然精度略低于深度神经网络，但在嵌入式设备、实时监控、教学分析等场景中具备极高的实用价值。

✅ 完整检测公式汇总

参数	定义	功能
`MAR`	嘴部高度 / 宽度	检测张嘴程度
`MJR`	嘴宽 / 下颌宽	检测微笑程度
`SAD`	嘴角高度差	检测悲伤/哭泣

通过组合判断：

复制代码

if mar > 0.5:
    表情 = "大笑"
elif mjr > 0.45:
    表情 = "微笑"
elif sad_value > 3:
    表情 = "哭泣/悲伤"
else:
    表情 = "正常"