Weiter Kommentare hinzugefügt

projectmood/process_model.py

+"""
+Diese Klasse macht das Training des Models möglich
+"""
+
 import cv2
 import glob
 import random
@@ -5,15 +9,22 @@ import numpy as np
 import sys
 import logging
 
+"""
+Erstellt und gibt das Log-File aus 
+"""
 logging.basicConfig(level=logging.DEBUG, format='%(asctime)s %(levelname)-8s %(message)s',
                     datefmt='%m-%d %H:%M',
                     filename='logs/process_model.log')
 
-args = sys.argv # liest Input Parameter
+"""
+Liest Input Parameter 
+"""
+args = sys.argv
 logging.debug('Fisherface training initialized')
 
 file = open("{}.csv".format('_'.join(args[1:]).lower()), "w")
 
+
 def _get_faces_from_emotion(emotion):
     """
     Holt alle Dateien zu einer Emotion aus dem Dataset, mischt sie und teilt sie in ein Trainings- und Prognoseset.
@@ -22,10 +33,16 @@ def _get_faces_from_emotion(emotion):
     """
     files = glob.glob('basis_data/dataset/{}/*'.format(emotion))
     random.shuffle(files)
-    training = files[:int(len(files) * 0.8)]  # get first 80% of file list
-    prediction = files[-int(len(files) * 0.2):]  # get last 20% of file list
+
+    """
+    Mischt das Dataset in Trainings- und Vergleichsbilder im Verhältnis 80 zu 20 
+    """
+    training = files[:int(len(files) * 0.8)]
+    prediction = files[-int(len(files) * 0.2):]
+
     return training, prediction
 
+
 def image_preprocessing(image):
     """
     Preprocessing der Dateien
@@ -37,6 +54,7 @@ def image_preprocessing(image):
     blur = cv2.GaussianBlur(gray, (5, 5), 0)
     return blur
 
+
 def make_sets():
     training_data = []
     training_labels = []
@@ -55,9 +73,9 @@ def make_sets():
             prediction_data.append(img)
             prediction_labels.append(emotions.index(emotion))
 
-
     return training_data, training_labels, prediction_data, prediction_labels
 
+
 def run_recognizer():
     training_data, training_labels, prediction_data, prediction_labels = make_sets()
 
@@ -76,14 +94,18 @@ def run_recognizer():
             cnt += 1
     return ((100 * correct) / (correct + incorrect))
 
+
 if len(args) > 1:
     tags = ', '.join(args[1:])
     logging.debug(tags.upper())
 
-emotions = ["happy", "neutral", "surprise"]  # Emotion list
+"""
+Emotions Liste 
+"""
+emotions = ["happy", "neutral", "surprise"]
 fishface = cv2.face.FisherFaceRecognizer_create()
 
-# Now run it
+
 metascore = []
 
 for i in range(0, 10):
@@ -92,8 +114,7 @@ for i in range(0, 10):
     logging.debug("{} : {}%".format(i, int(correct)))
     metascore.append(correct)
 
-
 file.close()
 
 logging.debug("{} iterations - {}% average\n".format(len(metascore), np.mean(metascore)))
-fishface.write('basis_data/models/detection_model.xml')
\ No newline at end of file
+fishface.write('basis_data/models/detection_model.xml')

projectmood/webcam.py

 """
-Dieses Modul ist das Main-Modul. Es lädt das Modell aus models, zeigt ein Webcam-Bild,
+Diese Klasse ist das Main-Modul. Es lädt das Modell aus models, zeigt ein Webcam-Bild,
 erkennt das Gesicht und seine Emotionen und zeichnet ein Emoticon in das Bild.
 """