技术标签: •OpenMV stm32 •嵌入式AI 嵌入式硬件 单片机
OpenMV(一)–基础介绍与硬件架构
OpenMV(二)–IDE安装与固件下载
OpenMV(三)–实时获取摄像头图片
OpenMV(四)–STM32实现特征检测
本专栏基于以STM32H743为MCU的OpenMV-H7基板,结合OV7725卷帘快门摄像头进行相关机器视觉应用的开发。人脸识别的前提是人脸检测,本篇博文基于OpenMV官方的Face-Detection例程,来解析一下怎么实现人脸识别。
人脸检测就是通过摄像头实时获取的图片,来标记出人脸的位置。本节代码的目的就是将摄像头拍摄的画面中的人脸用矩形框表示出来。人脸检测的本质是特征识别,OpenMV中已经集成了非常多的特征库和算法库,比如image模块下的find_features()特征寻找函数。
"""
人脸检测例程
利用Haar Cascade特征检测器来实现:一个Haar Cascade是一系列简单区域的对比检查,人脸识别有25个阶段,每个阶段有几百次检测。Haar Cascade运行很快是因为它是逐个阶段进行检测的。
OpenMV使用一种称为积分图像的数据结构来在恒定时间内快速执行每个区域的对比度检查
"""
# 导入相应的库
import sensor, image, time
# 初始化摄像头
sensor.reset()
# 设置相机图像的对比度为1
sensor.set_contrast(1)
# 设置相机的增益上限为16
sensor.set_gainceiling(16)
# 设置采集到照片的大小
sensor.set_framesize(sensor.HQVGA)
# 设置采集到照片的格式:灰色图像
sensor.set_pixformat(sensor.GRAYSCALE)
# 加载Haar Cascade 模型
# 默认使用25个步骤,减少步骤会加快速度但会影响识别成功率
face_cascade = image.HaarCascade("frontalface", stage = 25)
print(face_cascade)
# 创建一个时钟来计算摄像头每秒采集的帧数FPS
clock = time.clock()
while(True):
# 更新FPS时钟
clock.tick()
# 拍摄图片并返回img
img = sensor.snapshot()
# 寻找人脸对象
# threshold和scale_factor两个参数控制着识别的速度和准确性
objects = img.find_features(face_cascade, threshold=0.75, scale_factor=1.25)
# 用矩形将人脸画出来
for r in objects:
img.draw_rectangle(r)
# 串口打印FPS参数
print(clock.fps())
我们将板子连接到OpenMV IDE, 新建文件,并将上述代码copy进去,点击左下角的绿色按钮,我们就可以看到IDE右边的窗口在实时显示提取到的人脸特征图片:
人脸识别是通过短时间的人脸特征学习,再重新识别的过程,这节内容是基于第一小节的人脸检测的基础上完成的。
本节是人脸检测和特征点识别的结合,实验用到的函数和对象在之前都有介绍过,分别是
对于人脸识别,具体的实现步骤如下:
初始化和配置相应模块–>加载人脸检测Haar Cascade模型–>对当前的人脸学习并记录特征点K1–>在采集的图像中提取特征点K2–>对比K1和K2是否一致–>如果一致就在图中用矩形画出相应位置
"""
人脸识别例程
第一步先使用Haar Cascade找出人脸并记录该关键点
第二步就是不停的检测当前获取图片的关键点是否匹配
"""
# 导入相应的库
import sensor, image, time
# 初始化摄像头
sensor.reset()
# 设置相机图像的对比度为3
sensor.set_contrast(3)
# 设置相机的增益上限为16
sensor.set_gainceiling(16)
# 设置采集到照片的大小
sensor.set_framesize(sensor.VGA)
# 在VGA(640*480)下开个小窗口,相当于数码缩放
sensor.set_windowing((320, 240))
# 设置采集到照片的格式:灰色图像
sensor.set_pixformat(sensor.GRAYSCALE)
# 加载Haar Cascade 模型
# 默认使用25个步骤,减少步骤会加快速度但会影响识别成功率
face_cascade = image.HaarCascade("frontalface", stage = 25)
print(face_cascade)
# 初始化特征kpts1
kpts1 = None
# 找到人脸
while(kpts1 == None):
# 拍摄图片并返回img
img = sensor.snapshot()
img.draw_string(0, 0, "Looking for a face...")
# 寻找人脸对象
# threshold和scale_factor两个参数控制着识别的速度和准确性
objects = img.find_features(face_cascade, threshold=0.5, scale_factor=1.25)
if objects:
# 将 ROI(x, y, w, h)往各个方向扩展31像素
face = (objects[0][0]-31,
objects[0][1]-31,
objects[0][2]+31*2,
objects[0][3]+31*2)
# 使用扩展后的ROI区域(人脸)学习关键点
kpts1 = img.find_keypoints(threshold = 10,
scale_factor = 1.1,
max_keypoints = 100,
roi = face)
img.draw_keypoints(kpts1, size=24)
img = sensor.snapshot()
time.sleep(2000)
while(True):
img = sensor.snapshot()
# 从图像中提取关键点
kpts2 = img.find_keypoints(threshold = 10,
scale_factor = 1.1,
max_keypoints = 100,
normalized = True)
if(kpts2):
# 跟kpts1匹配
c = image.match_descriptor(kpts1, kpts2, threshold = 85)
# c[6]为match值,值越大表示匹配程度越高
match = c[6]
if(match > 5):
img.draw_rectangle(c[2:6])
img.draw_cross(c[0], c[1], size = 10)
我们将板子连接到OpenMV IDE, 新建文件,并将上述代码copy进去,点击左下角的绿色按钮,我们就可以看到IDE右边的窗口在首先学习了人脸特征:
然后我们换一张还是吴彦祖的人脸看看是否能够进行识别:
从图中可以发现,已经成功识别了这张人脸特征。
第2节的例程是在线学习特征然后进行人脸识别,但是绝大多数的应用场景需要我们对比本地的人脸特征库和目标图像。我们要做的步骤有两部,首先要将人脸特征保存到本地,其次是调用本地的特征来进行人脸识别,下面我们将通过实例来分析如果实现这两个步骤。
将人脸特征保存到本地只需要一句语句即可:
image.save_descriptor(kpts, "path")
其中kpts为要保存的特征点,path为保存路径。
源码如下:
"""
保存人脸特征例程
第一步先使用Haar Cascade识别出人脸,并获取人脸的特征
第二步就是将特征保存在本地文件中
"""
# 导入相应的库
import sensor, image, time
# 初始化摄像头
sensor.reset()
# 设置相机图像的对比度为3
sensor.set_contrast(3)
# 设置相机的增益上限为16
sensor.set_gainceiling(16)
# 设置采集到照片的大小
sensor.set_framesize(sensor.VGA)
# 在VGA(640*480)下开个小窗口,相当于数码缩放
sensor.set_windowing((320, 240))
# 设置采集到照片的格式:灰色图像
sensor.set_pixformat(sensor.GRAYSCALE)
sensor.skip_frames(time = 3000) # Wait for settings take effect.
# 加载Haar Cascade 模型
# 默认使用25个步骤,减少步骤会加快速度但会影响识别成功率
face_cascade = image.HaarCascade("frontalface", stage = 25)
# 初始化特征kpts1
kpts1 = None
# 文件名
FILE_NAME = "kpts1"
# 找到人脸
while(kpts1 == None):
# 拍摄图片并返回img
img = sensor.snapshot()
img.draw_string(0, 0, "Looking for a face...")
# 寻找人脸对象
# threshold和scale_factor两个参数控制着识别的速度和准确性
objects = img.find_features(face_cascade, threshold=0.5, scale_factor=1.25)
if objects:
# 将 ROI(x, y, w, h)往各个方向扩展31像素
face = (objects[0][0]-31,
objects[0][1]-31,
objects[0][2]+31*2,
objects[0][3]+31*2)
# 使用扩展后的ROI区域(人脸)学习关键点
kpts1 = img.find_keypoints(threshold = 10,
scale_factor = 1.1,
max_keypoints = 100,
roi = face)
img.draw_keypoints(kpts1, size=24)
img = sensor.snapshot()
#将人脸保存打本地文件
image.save_descriptor(kpts1, "/face_feature/%s.orb"%(FILE_NAME))
提取本地特征文件只需要一句语句即可:
kpts1 = image.load_descriptor("path")
其中kpts1为要本地文件中的特征,path为保存路径。
源码如下:
"""
加载本地特征文件进行人脸识别例程
第一步先从本地加载特征文件
第二步就是不停的检测当前获取图片的关键点判断是否和本地特征匹配
"""
# 导入相应的库
import sensor, image, time
# 初始化摄像头
sensor.reset()
# 设置相机图像的对比度为3
sensor.set_contrast(3)
# 设置相机的增益上限为16
sensor.set_gainceiling(16)
# 设置采集到照片的大小
sensor.set_framesize(sensor.VGA)
# 在VGA(640*480)下开个小窗口,相当于数码缩放
sensor.set_windowing((320, 240))
# 设置采集到照片的格式:灰色图像
sensor.set_pixformat(sensor.GRAYSCALE)
sensor.skip_frames(time = 10000) # Wait for settings take effect.
# 加载Haar Cascade 模型
# 默认使用25个步骤,减少步骤会加快速度但会影响识别成功率
face_cascade = image.HaarCascade("frontalface", stage = 25)
print(face_cascade)
# 从本地提取特征
kpts1 = image.load_descriptor("/face_feature/kpts1.orb")
while(True):
img = sensor.snapshot()
# 从图像中提取关键点
kpts2 = img.find_keypoints(threshold = 10,
scale_factor = 1.1,
max_keypoints = 100,
normalized = True)
if(kpts2):
# 跟kpts1匹配
c = image.match_descriptor(kpts1, kpts2, threshold = 85)
# c[6]为match值,值越大表示匹配程度越高
match = c[6]
if(match > 10):
img.draw_rectangle(c[2:6])
img.draw_cross(c[0], c[1], color = (255,0,0), size = 10)
文章浏览阅读1.1k次。一、选择题1. 串行接口是指( )。A. 接口与系统总线之间串行传送,接口与I/0设备之间串行传送B. 接口与系统总线之间串行传送,接口与1/0设备之间并行传送C. 接口与系统总线之间并行传送,接口与I/0设备之间串行传送D. 接口与系统总线之间并行传送,接口与I/0设备之间并行传送【答案】C2. 最容易造成很多小碎片的可变分区分配算法是( )。A. 首次适应算法B. 最佳适应算法..._874 计算机科学专业基础综合题型
文章浏览阅读9.7k次,点赞5次,收藏15次。连接xshell失败,报错如下图,怎么解决呢。1、通过ps -e|grep ssh命令判断是否安装ssh服务2、如果只有客户端安装了,服务器没有安装,则需要安装ssh服务器,命令:apt-get install openssh-server3、安装成功之后,启动ssh服务,命令:/etc/init.d/ssh start4、通过ps -e|grep ssh命令再次判断是否正确启动..._could not connect to '192.168.17.128' (port 22): connection failed.
文章浏览阅读209次。00000000_杰理 空白芯片 烧入key文件
文章浏览阅读475次。2023年初,“ChatGPT”一词在社交媒体上引起了热议,人们纷纷探讨它的本质和对社会的影响。就连央视新闻也对此进行了报道。作为新传专业的前沿人士,我们当然不能忽视这一热点。本文将全面解析ChatGPT,打开“技术黑箱”,探讨它对新闻与传播领域的影响。_引发对chatgpt兴趣的表述
文章浏览阅读259次。用Python数据分析方法进行汉字声调频率统计分析木合塔尔·沙地克;布合力齐姑丽·瓦斯力【期刊名称】《电脑知识与技术》【年(卷),期】2017(013)035【摘要】该文首先用Python程序,自动获取基本汉字字符集中的所有汉字,然后用汉字拼音转换工具pypinyin把所有汉字转换成拼音,最后根据所有汉字的拼音声调,统计并可视化拼音声调的占比.【总页数】2页(13-14)【关键词】数据分析;数据可..._汉字声调频率统计
文章浏览阅读64次。最近在做一个android系统移植的项目,所使用的开发板com1是调试串口,就是说会有uboot和kernel的调试信息打印在com1上(ttySAC0)。因为后期要使用ttySAC0作为上层应用通信串口,所以要把所有的调试信息都给去掉。参考网上的几篇文章,自己做了如下修改,终于把调试信息重定向到ttySAC1上了,在这做下记录。参考文章有:http://blog.csdn.net/longt..._嵌入式rootfs 输出重定向到/dev/console
文章浏览阅读1.2k次,点赞4次,收藏12次。1,先去iconfont登录,然后选择图标加入购物车 2,点击又上角车车添加进入项目我的项目中就会出现选择的图标 3,点击下载至本地,然后解压文件夹,然后切换到uniapp打开终端运行注:要保证自己电脑有安装node(没有安装node可以去官网下载Node.js 中文网)npm i -g iconfont-tools(mac用户失败的话在前面加个sudo,password就是自己的开机密码吧)4,终端切换到上面解压的文件夹里面,运行iconfont-tools 这些可以默认也可以自己命名(我是自己命名的_uniapp symbol图标
文章浏览阅读1.2w次,点赞25次,收藏192次。char*和char[]都是指针,指向第一个字符所在的地址,但char*是常量的指针,char[]是指针的常量_c++ char*
文章浏览阅读930次。代码编辑器或者文本编辑器,对于程序员来说,就像剑与战士一样,谁都想拥有一把可以随心驾驭且锋利无比的宝剑,而每一位程序员,同样会去追求最适合自己的强大、灵活的编辑器,相信你和我一样,都不会例外。我用过的编辑器不少,真不少~ 但却没有哪款让我特别心仪的,直到我遇到了 Sublime Text 2 !如果说“神器”是我能给予一款软件最高的评价,那么我很乐意为它封上这么一个称号。它小巧绿色且速度非
文章浏览阅读4.1k次。一、选择法这是每一个数出来跟后面所有的进行比较。2.冒泡排序法,是两个相邻的进行对比。_对十个数进行大小排序java
文章浏览阅读2.9k次。物联网开发笔记——使用网络调试助手连接阿里云物联网平台(基于MQTT协议)其实作者本意是使用4G模块来实现与阿里云物联网平台的连接过程,但是由于自己用的4G模块自身的限制,使得阿里云连接总是无法建立,已经联系客服返厂检修了,于是我在此使用网络调试助手来演示如何与阿里云物联网平台建立连接。一.准备工作1.MQTT协议说明文档(3.1.1版本)2.网络调试助手(可使用域名与服务器建立连接)PS:与阿里云建立连解释,最好使用域名来完成连接过程,而不是使用IP号。这里我跟阿里云的售后工程师咨询过,表示对应_网络调试助手连接阿里云连不上
文章浏览阅读544次,点赞5次,收藏6次。运算符与表达式任何高级程序设计语言中,表达式都是最基本的组成部分,可以说C++中的大部分语句都是由表达式构成的。_无c语言基础c++期末速成