樹莓派４b＋raspberry pi camera V2實現實時的人臉檢測

本文我將如何在樹莓派上，使用 OpenCV 和 Python 完成人臉檢測項目。不僅可以實時的檢測，還可以進行學習、訓練和檢測。

項目所需設備

硬件：
樹莓派４b
樹莓派攝像頭模塊（Camrea V2）

語言和庫：
OpenCV
Python 3

環境配置在我上篇博客已經介紹的很詳細了，可以進行參考一下。

首先啟動樹莓派攝像頭模塊。

 運行樹莓派配置工具來激活攝像頭模塊：

$ sudo raspi-config 

進入Interfacing Options然后就可以啟動你想要的功能，移動光標至菜單中的 "Enable Camera（啟用攝像頭）"，將其設為Enable（啟用狀態）。完成之后重啟樹莓派。　

在重啟完樹莓派后，我們就可以使用Pi Camera v2了。要用它來拍攝照片的話，可以從命令行運行raspistill：raspistill -o test.jpg

這樣的話就啟動了，注意照片的文件名可以自己任意設置。

 

下載需要的庫

pip install pillow

　

接下來開始項目開始了

本教程使用 OpenCV 完成，一個神奇的「開源計算機視覺庫」，並主要關注樹莓派（因此，操作系統是樹莓派系統）和 Python，但是我也在 Mac 電腦上測試了代碼，同樣運行很好。OpenCV 具備很強的計算效率，且專門用於實時應用。因此，它非常適合使用攝像頭的實時人臉識別。要創建完整的人臉識別項目，我們必須完成3個階段：

1）人臉檢測和數據收集；
2）訓練識別器；
3）人臉識別。

一.我們項目的第一步是創建一個簡單的數據集，該數據集將儲存每張人臉的 ID 和一組用於人臉檢測的灰度圖。

因此，以下命令行將為我們的項目創建一個目錄，目錄名可以如以下為 FaceProject 

mkdir FaceProject

在該目錄中，除了我們為項目創建的 3 個 Python 腳本外，我們還需要儲存人臉分類器。我們可以從 GitHub 中下載：haarcascade_frontalface_default.xml

下一步需要創建一個子目錄「dtatset」，並用它來儲存人臉樣本：

mkdir dataset

收集數據的代碼如下：face_dataset_01.py

import cv2
import os
 
cam = cv2.VideoCapture(0)
cam.set(3, 640) # set video width
cam.set(4, 480) # set video height
 
face_detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
 
# For each person, enter one numeric face id
face_id = input('\n enter user id end press <return> ==>  ')
 
print("\n [INFO] Initializing face capture. Look the camera and wait ...")
# Initialize individual sampling face count
count = 0
 
while(True):
    ret, img = cam.read()
    img = cv2.flip(img, -1) # flip video image vertically
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    faces = face_detector.detectMultiScale(gray, 1.3, 5)
 
    for (x,y,w,h) in faces:
        cv2.rectangle(img, (x,y), (x+w,y+h), (255,0,0), 2)     
        count += 1
 
        # Save the captured image into the datasets folder
        cv2.imwrite("dataset/User." + str(face_id) + '.' + str(count) + ".jpg", gray[y:y+h,x:x+w])
 
        cv2.imshow('image', img)
 
    k = cv2.waitKey(100) & 0xff # Press 'ESC' for exiting video
    if k == 27:
        break
    elif count >= 30: # Take 30 face sample and stop video
         break
 
# Do a bit of cleanup
print("\n [INFO] Exiting Program and cleanup stuff")
cam.release()
cv2.destroyAllWindows()

 

　　運行命令：python face_dataset_01.py

我是以第一個人的ＩＤ唯一開始的，收集測試人的３０張灰度圖片，存到dataset文件中，可以自己進行查看。

在我的代碼中，我從每一個 ID 捕捉 30 個樣本，我們能在最后一個條件語句中修改抽取的樣本數。如果我們希望識別新的用戶或修改已存在用戶的相片，可以自己進行添加。

 

二.開始訓練數據

下面開始創建子目錄以儲存訓練數據：

mkdir trainer

在第二階段中，我們需要從數據集中抽取所有的用戶數據，並訓練 OpenCV 識別器，這一過程可由特定的 OpenCV 函數直接完成。這一步將在「trainer/」目錄中保存為trainer.yml 文件。

訓練代碼：face_training_02.py

import numpy as np
from PIL import Image
import os
 
# Path for face image database
path = 'dataset'
 
recognizer = cv2.face.LBPHFaceRecognizer_create()
detector = cv2.CascadeClassifier("haarcascade_frontalface_default.xml");
 
# function to get the images and label data
def getImagesAndLabels(path):
    imagePaths = [os.path.join(path,f) for f in os.listdir(path)]     
    faceSamples=[]
    ids = []
    for imagePath in imagePaths:
        PIL_img = Image.open(imagePath).convert('L') # convert it to grayscale
        img_numpy = np.array(PIL_img,'uint8')
        id = int(os.path.split(imagePath)[-1].split(".")[1])
        faces = detector.detectMultiScale(img_numpy)
        for (x,y,w,h) in faces:
            faceSamples.append(img_numpy[y:y+h,x:x+w])
            ids.append(id)
    return faceSamples,ids
 
print ("\n [INFO] Training faces. It will take a few seconds. Wait ...")
faces,ids = getImagesAndLabels(path)
recognizer.train(faces, np.array(ids))
 
# Save the model into trainer/trainer.yml
recognizer.write('trainer/trainer.yml') # recognizer.save() worked on Mac, but not on Pi
 
# Print the numer of faces trained and end program
print("\n [INFO] {0} faces trained. Exiting Program".format(len(np.unique(ids))))

 運行命令：python face_training_02.py　

數據在被訓練之后，文件「trainer.yml」將保存在我們前面定義的 trainer 目錄下

 

三.人臉識別

 我們將通過攝像頭捕捉一個新人臉，如果這個人的面孔之前被捕捉和訓練過，我們的識別器將會返回其預測的 id 和索引。

代碼如下：face_recognition_03.py

import cv2
import numpy as np
import os 
 
recognizer = cv2.face.LBPHFaceRecognizer_create()
recognizer.read('trainer/trainer.yml')
cascadePath = "haarcascade_frontalface_default.xml"
faceCascade = cv2.CascadeClassifier(cascadePath);
 
font = cv2.FONT_HERSHEY_SIMPLEX
 
#iniciate id counter
id = 0
 
# names related to ids: example ==> Marcelo: id=1,  etc
names = ['None', 'tanshengjang', 'Paula', 'Ilza', 'Z', 'W'] 
 
# Initialize and start realtime video capture
cam = cv2.VideoCapture(0)
cam.set(3, 640) # set video widht
cam.set(4, 480) # set video height
 
# Define min window size to be recognized as a face
minW = 0.1*cam.get(3)
minH = 0.1*cam.get(4)
 
while True:
    ret, img =cam.read()
    img = cv2.flip(img, -1) # Flip vertically
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
     
    faces = faceCascade.detectMultiScale( 
        gray,
        scaleFactor = 1.2,
        minNeighbors = 5,
        minSize = (int(minW), int(minH)),
       )
 
    for(x,y,w,h) in faces:
        cv2.rectangle(img, (x,y), (x+w,y+h), (0,255,0), 2)
        id, confidence = recognizer.predict(gray[y:y+h,x:x+w])
 
        # Check if confidence is less them 100 ==> "0" is perfect match 
        if (confidence < 100):
            id = names[id]
            confidence = "  {0}%".format(round(100 - confidence))
        else:
            id = "unknown"
            confidence = "  {0}%".format(round(100 - confidence))
         
        cv2.putText(img, str(id), (x+5,y-5), font, 1, (255,255,255), 2)
        cv2.putText(img, str(confidence), (x+5,y+h-5), font, 1, (255,255,0), 1)  
     
    cv2.imshow('camera',img) 
 
    k = cv2.waitKey(10) & 0xff # Press 'ESC' for exiting video
    if k == 27:
        break
 
# Do a bit of cleanup
print("\n [INFO] Exiting Program and cleanup stuff")
cam.release()
cv2.destroyAllWindows()

 

運行命令：face_recognition_03.py

這里我們包含了一個新數組，因此我們將會展示「名稱」，而不是編號的 id：

names = ['None', 'tanshengjiang', 'Paula', 'Ilza', 'Z', 'W'] 

所以，如上所示的列表，tanshengjiang的 ID 或索引為 1，Paula 的 ID 等於 2。

可以自行改成自己的名字或者想要的標記。

到這里，項目基本完成了，好好去跑一遍吧，還挺好玩的。

 

原文鏈接：https://shumeipai.nxez.com/2018/03/09/real-time-face-recognition-an-end-to-end-project-with-raspberry-pi.html