基于QTOpenCV的人脸识别米尔i

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。