【米尔MYC-JX8MPQ评测】+人脸识别打开系统基于QT+OpenCV

流行科技

【米尔MYC-JX8MPQ评测】+人脸识别打开系统基于QT+OpenCV [复制链接]

 

上篇介绍了QT之后，我们又开始对其进行其他测试，如我们的开发板也支持外接摄像头，此次测试下一个开源项目，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，此代码本来跑在WIN下的，我稍微进行了修改，让其跑在我们的开发板上。

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。

   

婵犮垼娉涚粔鎾春閿燂拷

登录后复制

 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<Rect> 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[i], 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。

 

婵犮垼娉涚粔鎾春閿燂拷

登录后复制

//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<Mat> 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<<images.size();

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

        {

            cout << i << endl;

            cout << images[i].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<face::BasicFaceRecognizer> model = face::EigenFaceRecognizer::create();

    model->train(images, labels);

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



    Ptr<face::BasicFaceRecognizer> model1 = face::FisherFaceRecognizer::create();

    model1->train(images, labels);

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



    Ptr<face::LBPHFaceRecognizer> model2 = 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

    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。

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展示下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。

 

查看本帖全部内容，请登录或者注册

流行科技

附加在我的上传的资源文件中，比较大，到EE下载中心下载。

wangerxian

看着还不错，不过他这个库不能识别谁是谁吧？

流行科技

wangerxian 发表于 2022-4-11 09:27 看着还不错，不过他这个库不能识别谁是谁吧？

应该是可以的，就是QT那边有点问题，还有测试下来其实准确度不是很高

搜索

复制

wangerxian

流行科技 发表于 2022-4-11 10:19 应该是可以的，就是QT那边有点问题，还有测试下来其实准确度不是很高 搜索 复制

了解，期待解决方案！

青春最好时

学习，学习，讲的很好