基于QT+OpenCV的人脸识别-米尔iMX8M Plus开发板的测评

描述

 


 

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iMX8M Plus开发板上。开发板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。开发板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。   

  • CascadeClassifier cascada;
     
  •  
  •     //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:\\video\\ccc\\haarcascade_frontalface_alt2.xml");
     
  •  
  •     VideoCapture cap(1);  //0表示电脑自带的,如果用一个外接摄像头,将0变成1
     
  •  
  •     Mat frame, myFace;
     
  •  
  •     int pic_num = 1;
     
  •  
  •     while (1) {
     
  •  
  •         //摄像头读图像
     
  •  
  •         cap >> frame;
     
  •  
  •         vector faces;//vector容器存检测到的faces
     
  •  
  •         Mat frame_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(1000, 1000));
     
  •  
  •         printf("检测到人脸个数:%d\n", faces.size());
     
  •  
  •  
  •  
  •         //识别到的脸用矩形圈出
     
  •  
  •         for (int i = 0; i < faces.size(); i++)
     
  •  
  •         {
     
  •  
  •             rectangle(frame, faces, Scalar(255, 0, 0), 2, 8, 0);
     
  •  
  •         }
     
  •  
  •         //当只有一个人脸时,开始拍照
     
  •  
  •         if (faces.size() == 1)
     
  •  
  •         {
     
  •  
  •             Mat faceROI = frame_gray(faces[0]);//在灰度图中将圈出的脸所在区域裁剪出
     
  •  
  •             //cout << faces[0].x << endl;//测试下face[0].x
     
  •  
  •             resize(faceROI, myFace, Size(92, 112));//将兴趣域size为92*112
     
  •  
  •             putText(frame, to_string(pic_num), faces[0].tl(), 3, 1.2, (0, 0, 225), 2, 0);//在 faces[0].tl()的左上角上面写序号
     
  •  
  •             string filename = 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(500);//等待500us
     
  •  
  •             destroyWindow(filename);//:销毁指定的窗口
     
  •  
  •             pic_num++;//序号加1
     
  •  
  •             if (pic_num == 11)
     
  •  
  •             {
     
  •  
  •                 return 0;//当序号为11时退出循环,一共拍10张照片
     
  •  
  •             }
     
  •  
  •         }
     
  •  
  •         int c = 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(100);//等待100us
     
  •  
  •     }
     
  •  
  •     return 0;
     

通过上面代码,完成图像采集。 

//读取你的CSV文件路径.
 

 

    //string fn_csv = string(argv[1]);
 

 

    string fn_csv = "F:\\video\\ccc\\at.txt";
 

 

 

 

    // 2个容器来存放图像数据和对应的标签
 

 

    vector images;
 

 

    vector<int> labels;
 

 

    // 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::Exception& e)
 

 

    {
 

 

        cerr << "Error opening file \"" << fn_csv << "\". Reason: " << e.msg << endl;
 

 

        // 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) {
 

 

        string error_message = "This demo needs at least 2 images to work. Please add more images to your data set!";
 

 

        CV_Error(CV_StsError, error_message);
 

 

    }
 

 

 

 

    for (int i = 0; i < images.size(); i++)
 

 

    {
 

 

        //cout<
 

 

        if (images.size() != Size(92, 112))
 

 

        {
 

 

            cout << i << endl;
 

 

            cout << images.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]
 

 

    Mat testSample = images[images.size() - 1];
 

 

    int testLabel = 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, 123.0);
 

 

    //
 

 

    // 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, 123.0);
 

 

 

 

    //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
 

 

    Ptr model = face::create();
 

 

    model->train(images, labels);
 

 

    model->save("MyFacePCAModel.xml");//保存路径可自己设置,但注意用“\\”
 

 

 

 

    Ptr model1 = face::create();
 

 

    model1->train(images, labels);
 

 

    model1->save("MyFaceFisherModel.xml");
 

 

 

 

    Ptr model2 = face::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
 

 

    int predictedLabel = model->predict(testSample);//加载分类器
 

 

    int predictedLabel1 = model1->predict(testSample);
 

 

    int predictedLabel2 = model2->predict(testSample);
 

 

 

 

    // 还有一种调用方式,可以获取结果同时得到阈值:
 

 

    // int predictedLabel = -1;
 

 

    // double confidence = 0.0;
 

 

    //  model->predict(testSample, predictedLabel, confidence);
 

 

 

 

    string result_message = format("Predicted class = %d / Actual class = %d.", predictedLabel, testLabel);
 

 

    string result_message1 = format("Predicted class = %d / Actual class = %d.", predictedLabel1, testLabel);
 

 

    string result_message2 = format("Predicted class = %d / Actual class = %d.", predictedLabel2, testLabel);
 

 

    cout << result_message << endl;
 

 

    cout << result_message1 << endl;
 

 

    cout << result_message2 << endl;
 

 

 

 

    getchar();
 

 

    //waitKey(0);
 

 

return 0;

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。

 

 

 

开发板

在此文件中,把我们采集到的图像,放进去,新建一个文件夹。

 

 

 

开发板


 

之后就是把我们的at.txt也加入我们的文件。

 

 

 

开发板

 

训练好后,我们就得到了我们所需要的训练文件。


 

 

开发板


 

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。


 

开发板

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。


 

开发板

 

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:

开发板

 

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。

开发板

 

使用的硬件增加了一个摄像头。

开发板

 

这是打开摄像头采集的样子。

开发板

 

这个GIF展示了我们的人脸检测情况。

开发板

 

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。

开发板开发板

 

 

打开APP阅读更多精彩内容
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉

全部0条评论

快来发表一下你的评论吧 !

×
20
完善资料,
赚取积分