基于情感的音乐播放器——Python 项目
原文:https://www . geesforgeks . org/基于情感-音乐-播放器-python-project/
在本文中，我们将使用 Python、OpenCV、Android Studios 和 FisherFace 算法构建一个基于情感的音乐播放器。正如雷·查尔斯所说，音乐有治愈一个人的力量。音乐在识别一个人的情绪和精神状态方面起着非常重要的作用；这是人们表达自己的一个很好的方式，也是音乐爱好者和听众的一个重要的娱乐媒介。听音乐有助于我们放松和冷静。音乐也被认为是最有效的媒介，因为它可以通过某种信息引发深刻的情感。随着技术的进步，艺术家、他们的音乐和音乐听众的数量都在增加，这就出现了根据他们的心情或选择手动浏览和选择音乐的问题。这就是我们的项目发挥作用的地方，因为我们都知道要面对人体的一个器官，它在提取人类行为和精神状态方面起着至关重要的作用。我们的项目检测用户的情绪，并根据他的情绪播放歌曲或播放列表。该项目使用网络摄像头捕捉用户的图像，然后将面部表情分类为开心、悲伤、中性、或愤怒，然后根据输入的图像播放歌曲。这个项目的主要优点是用户不需要手动实现和选择歌曲。
工具和技术
我们需要在系统中安装安卓工作室。我们还遇到了 OpenCV、木星笔记本和卷积神经网络来检测用户情绪。我们使用了 FisherFace 算法以及主成分分析和线性判别分析。
所需技能集
Python 基础知识和 OpenCV、安卓 studio、FisherFace 算法的中高级知识。
实施:
检测情绪的过程很有挑战性。我们已经在两个数据集上训练了我们的模型，即: JAFEE 和*Conh-Kanade 数据库。*这两个数据集在网上很容易获得，并被我们用于评估我们的模型。 FisherFace 算法捕获分类图像，对数据进行降维，然后分类计算统计值。它还为输入图像计算相同的值，并将该值与训练数据集进行比较，并给出所需的输出。
【LDA】属于监督学习的范畴，在监督学习中，机器必须利用先验数据进行学习。LDA 应用了降维技术，减少了执行和分类数据的时间。 PCA 以数学值的形式转换不相关和相关的变量。它使用降维技术，通过将大数据集转换成更小的部分来减少它们。主成分分析观察数据并计算概率生成模型。****
我们使用 Cohn-Kanade 数据集进行了训练，并对我们的模型进行了分类训练和测试。由于输入与用户相关，它将提供良好的准确率，具有数据集数量少和内存存储少的优势。快速响应时间也能获得更快的输出。
处理数据和检测情绪所涉及的步骤讨论如下:
- *第一步:*用户给出输入，输入的形式是用户的网络摄像头拍摄的图像。
- *步骤 2:* 图像被我们的模型分析，并被分类为快乐、悲伤、中性或愤怒的情绪。
- *步骤 3:* 利用训练数据集提取和检测数据，训练数据集是 JAFEE 和 Cohn-Kanade 数据集。
- *步骤 4:* 根据用户面部情绪识别选择播放列表或歌曲。
- *步骤 5:* 在成功检测到情绪后，播放音乐来提升用户的情绪。
表示相同的流程图如下所示:
*狙击编码:*
要显示源输入，请使用以下代码。使用命令提示符 : 安装必要的库，包括 Tkinter****
pip -V
pip install tkinter
Python 3
import tkinter as tk
import cv2
from PIL import Image, ImageTk
width, height = 800, 600
cap = cv2.VideoCapture(0)
cap.set(cv2.CAP_PROP_FRAME_WIDTH, width)
cap.set(cv2.CAP_PROP_FRAME_HEIGHT, height)
root = Music_player.Tk()
root.bind('<Escape>', lambda e: root.quit())
lmain = Music_player.Label(root)
lmain.pack()
def show_frame():
_, frame = cap.read()
frame = cv2.flip(frame, 1)
cv2image = cv2.cvtColor(frame, cv2.COLOR_BGR2RGBA)
img = Image.fromarray(cv2image)
imgtk = ImageTk.PhotoImage(image=img)
lmain.imgtk = imgtk
lmain.configure(image=imgtk)
lmain.after(10, show_frame)
show_frame()
root.mainloop()
版权属于：月萌API www.moonapi.com，转载请注明出处
