基于QTOpenCV的人脸识别米尔i
2023-3-20 来源:不详 浏览次数:次北京白癜风医院 https://wapjbk.39.net/yiyuanzaixian/bjzkbdfyy/
本篇测评由电子工程世界的优秀测评者“流行科技”提供。
此次测试的开源项目,是基于QT+OpenCV的人脸识别打卡项目。本次体验使用的是开源的代码,此代码本来是运行在WIN下的,为了测试稍微进行了修改,让其运行在米尔iMX8MPlus开发板上。
测试项目实际是分了两个工程,一个工程是作为管理员控制功能使用,添加人脸信息。同时也可以查询到打卡记录,对从机进行下发通知等等。
人脸识别我们主要需要用到opencv的人脸检测分类器。
OpenCV编译完成后已经提供好了的。
因为这里还需要涉及到训练模型,有了模型后才能更好的识别,所以还是简单介绍下怎么训练的吧。
CascadeClassifiercascada;//将opencv官方训练好的人脸识别分类器拷贝到自己的工程目录中cascada.load("F:videoccchaarcascade_frontalface_alt2.xml");VideoCapturecap(1);//0表示电脑自带的,如果用一个外接摄像头,将0变成1Matframe,myFace;intpic_num=1;while(1){//摄像头读图像capframe;vectorRectfaces;//vector容器存检测到的facesMatframe_gray;cvtColor(frame,frame_gray,COLOR_BGR2GRAY);//转灰度化,减少运算cascada.detectMultiScale(frame_gray,faces,1.1,4,CV_HAAR_DO_ROUGH_SEARCH,Size(70,70),Size(,));printf("检测到人脸个数:%dn",faces.size());//识别到的脸用矩形圈出for(inti=0;ifaces.size();i++){rectangle(frame,faces,Scalar(,0,0),2,8,0);}//当只有一个人脸时,开始拍照if(faces.size()==1){MatfaceROI=frame_gray(faces[0]);//在灰度图中将圈出的脸所在区域裁剪出//coutfaces[0].xendl;//测试下face[0].xresize(faceROI,myFace,Size(92,));//将兴趣域size为92*putText(frame,to_string(pic_num),faces[0].tl(),3,1.2,(0,0,),2,0);//在faces[0].tl()的左上角上面写序号stringfilename=format("F:video%d.jpg",pic_num);//图片的存放位置,frmat的用法跟QString差不对imwrite(filename,myFace);//存在当前目录下imshow(filename,myFace);//显示下size后的脸waitKey();//等待usdestroyWindow(filename);//:销毁指定的窗口pic_num++;//序号加1if(pic_num==11){return0;//当序号为11时退出循环,一共拍10张照片}}intc=waitKey(10);if((char)c==27){break;}//10us内输入esc则退出循环imshow("frame",frame);//显示视频流waitKey();//等待us}return0;
通过上面的代码,完成图像采集。
//读取你的CSV文件路径.
//stringfn_csv=string(argv[1]);
stringfn_csv="F:videocccat.txt";
//2个容器来存放图像数据和对应的标签
vectorMatimages;
vectorintlabels;
//读取数据.如果文件不合法就会出错
//输入的文件名已经有了.
try
{
read_csv(fn_csv,images,labels);//从csv文件中批量读取训练数据
}
catch(cv::Exceptione)
{
cerr"Erroropeningfile""fn_csv"".Reason:"e.msgendl;
//文件有问题,我们啥也做不了了,退出了
exit(1);
}
//如果没有读取到足够图片,也退出.
if(images.size()=1){
stringerror_message="Thisdemoneedsatleast2imagestowork.Pleaseaddmoreimagestoyourdataset!";
CV_Error(CV_StsError,error_message);
}
for(inti=0;iimages.size();i++)
{
//coutimages.size();
if(images.size()!=Size(92,))
{
coutiendl;
coutimages.size()endl;
}
}
//下面的几行代码仅仅是从你的数据集中移除最后一张图片,作为测试图片
//[gm:自然这里需要根据自己的需要修改,他这里简化了很多问题]
MattestSample=images[images.size()-1];
inttestLabel=labels[labels.size()-1];
images.pop_back();//删除最后一张照片,此照片作为测试图片
labels.pop_back();//删除最有一张照片的labels
//下面几行创建了一个特征脸模型用于人脸识别,
//通过CSV文件读取的图像和标签训练它。
//T这里是一个完整的PCA变换
//如果你只想保留10个主成分,使用如下代码
//cv::createEigenFaceRecognizer(10);
//
//如果你还希望使用置信度阈值来初始化,使用以下语句:
//cv::createEigenFaceRecognizer(10,.0);
//
//如果你使用所有特征并且使用一个阈值,使用以下语句:
//cv::createEigenFaceRecognizer(0,.0);
//创建一个PCA人脸分类器,暂时命名为model吧,创建完成后
//调用其中的成员函数train()来完成分类器的训练
Ptrface::BasicFaceRecognizermodel=face::EigenFaceRecognizer::create();
model-train(images,labels);
model-save("MyFacePCAModel.xml");//保存路径可自己设置,但注意用“”
Ptrface::BasicFaceRecognizermodel1=face::FisherFaceRecognizer::create();
model1-train(images,labels);
model1-save("MyFaceFisherModel.xml");
Ptrface::LBPHFaceRecognizermodel2=face::LBPHFaceRecognizer::create();
model2-train(images,labels);
model2-save("MyFaceLBPHModel.xml");
//下面对测试图像进行预测,predictedLabel是预测标签结果
//注意predict()入口参数必须为单通道灰度图像,如果图像类型不符,需要先进行转换
//predict()函数返回一个整形变量作为识别标签
intpredictedLabel=model-predict(testSample);//加载分类器
intpredictedLabel1=model1-predict(testSample);
intpredictedLabel2=model2-predict(testSample);
//还有一种调用方式,可以获取结果同时得到阈值:
//intpredictedLabel=-1;
//doubleconfidence=0.0;
//model-predict(testSample,predictedLabel,confidence);
stringresult_message=format("Predictedclass=%d/Actualclass=%d.",predictedLabel,testLabel);
stringresult_message1=format("Predictedclass=%d/Actualclass=%d.",predictedLabel1,testLabel);
stringresult_message2=format("Predictedclass=%d/Actualclass=%d.",predictedLabel2,testLabel);
coutresult_messageendl;
coutresult_message1endl;
coutresult_message2endl;
getchar();
//waitKey(0);
return0;
通过上面的代码进行训练,训练使用了python。所以系统环境需要配置好。
在此文件中,把我们采集到的图像,放进去,新建一个文件夹。
之后就是把我们的at.txt也加入我们的文件。
训练好后,我们就得到了我们所需要的训练文件。
在我们打卡界面,点击打卡时就是这样的。加载训练好的东西。然后启动定时器,去获取摄像头信号,然后对比,最终和数据库一致就认为打卡成功。
上面训练部分,其实提供的另一个工程就全部完成了。
这是我们win端界面,圆框就是我们摄像头采集图像显示的位置。
我们需要在Ubuntu下把库全部替换,这样就能编译过了,然后拷贝到开发板上运行。如下:
进来就提示数据库打开失败了,我们这个都是基于数据库,所以还是比较尴尬的,后期的话可以尝试自己全部编译下,然后更新吧。目前就测试,看下效果吧。
使用的硬件增加了一个摄像头。
这是打开摄像头采集的样子。
这个GIF展示了我们的人脸检测情况。
由于没有数据库,只能打印一些信息。当两个数据相等时就进入下一步,判断打卡了。由于没有数据库,就展示下电脑端的效果吧。