嘗試使用OpenCV、HaarCascades和RaspberryPI計算人臉

所以我有一個跟蹤相機的專案，通過檢測他們的臉來計算進入跟蹤的人。沒有任何電源可用，因此出于電源原因我只能使用 Raspberry Pi 3 B 。我目前正在使用 opencv 和 Haar 級聯來檢測人臉。我的問題有兩個。

1. 第一個是我的計數器更像一個計時器。在它鎖定在它認為是一張臉的任何東西上的整個程序中，它都會繼續增加。我需要的行為是讓它在得到檢測時只增加一次，而不是在檢測丟失然后重新初始化之前再增加一次。如果檢測到多個面孔，我也需要它來作業。
2. 第二個問題是 Haar cascades 不擅長檢測人臉。我一直在玩引數，但似乎無法獲得很好的結果。還嘗試了其他方法，例如 Dlib，但幀速率使其在 pi 3 上幾乎無法使用。

我將在下面發布我的代碼（通過結合一些示例拼湊在一起）。目前，它也被設定為使用執行緒（另一個試圖擠出更多性能的實驗）。據我所知，執行緒正在作業，但似乎并沒有真正改善任何事情。非常感謝你們為解決反問題或優化 Haar Cascades 以在 Pi 上使用提供的任何幫助。** 還應注意使用 Rasp Pi 高品質相機和 Ardu Cam 鏡頭。

from __future__ import print_function
from imutils.video import VideoStream
from imutils.video.pivideostream import PiVideoStream
from imutils.video import FPS
from picamera.array import PiRGBArray
from picamera import PiCamera
import argparse
import imutils
import time
import cv2

# construct the argument parser and parse the arguments
ap = argparse.ArgumentParser()
ap.add_argument("-c", "--cascade", type=str,
    default="haarcascade_frontalface_default.xml",
    help="path to haar cascade face detector")
args = vars(ap.parse_args())

detector = cv2.CascadeClassifier(args["cascade"])

size = 40
counter = 0

# created threaded video
print("[INFO] using threaded frames")
vs = PiVideoStream().start()
time.sleep(2.0)


# loop over some frames...this time using the threaded stream
while True:
    # grab the frame from the threaded video stream and resize it
    # to have a maximum width of 400 pixels (trying larger frame size)
    frame = vs.read()
    frame = imutils.resize(frame, width=450)
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

    # perform face detection
    rects = detector.detectMultiScale(gray, scaleFactor=1.05,
        minNeighbors=6, minSize=(size, size),
        flags=cv2.CASCADE_SCALE_IMAGE)


    # loop over the bounding boxes
    for (x, y, w, h) in rects:
        # draw the face bounding box on the image
        cv2.rectangle(frame, (x, y), (x   w, y   h), (0, 255, 0), 2)
        
        # Increment counter when face is found
        counter  = 1
        print(counter)
        

    # show the output frame
    cv2.imshow("Frame", frame)
    key = cv2.waitKey(1) & 0xFF


# do a bit of cleanup
cv2.destroyAllWindows()
vs.stop()

uj5u.com熱心網友回復：

首先，您可以按照您所說的那樣使用 Dlib，但您必須使用“HOG”方法（定向梯度直方圖）而不是“CNN”來提高性能。

locations = face_recognition.face_locations(frame, model="hog")

但是，如果您真的想獲得更快的性能，我會建議您為此目的使用 Mediapipe。

在您的 rpi3 上下載 Mediapipe：

sudo pip3 install mediapipe-rpi3

這是來自 Mediapipe 檔案的人臉檢測器示例代碼：

import cv2
import mediapipe as mp

mp_face_detection = mp.solutions.face_detection
mp_drawing = mp.solutions.drawing_utils

# For webcam input:
cap = cv2.VideoCapture(0)
with mp_face_detection.FaceDetection(
    model_selection=0, min_detection_confidence=0.5) as face_detection:
  while cap.isOpened():
    success, image = cap.read()
    if not success:
      print("Ignoring empty camera frame.")
      # If loading a video, use 'break' instead of 'continue'.
      continue

    # To improve performance, optionally mark the image as not writeable to
    # pass by reference.
    image.flags.writeable = False
    image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
    results = face_detection.process(image)

    # Draw the face detection annotations on the image.
    image.flags.writeable = True
    image = cv2.cvtColor(image, cv2.COLOR_RGB2BGR)
    if results.detections:
      for detection in results.detections:
        mp_drawing.draw_detection(image, detection)
    # Flip the image horizontally for a selfie-view display.
    cv2.imshow('MediaPipe Face Detection', cv2.flip(image, 1))
    if cv2.waitKey(5) & 0xFF == 27:
      break
cap.release()

我不確定你會得到多少 FPS（但肯定比 Dlib 好，而且非常準確），但你可以通過每隔三幀而不是全部檢測人臉來加快性能。

其次，您可以采取一種可能會正常作業的天真的方式。您可以在最后一次檢測中提取邊界框的中心，如果前一幀的中心位于當前幀中人臉的邊界框內，則可能是同一個人。

您可以通過確定當前幀中面部的新中心（他的邊界框的中心）是否足夠接近最后一幀中的最后一個中心之一，通過您選擇的偏移量來更準確地做到這一點。如果是這樣，它可能是同一張臉，所以不要計算它。

可視化：

希望它對你有用！

標籤：Python opencv 树莓派3 分类器

上一篇：在面具上繪制輪廓

下一篇：如何檢測帶顏色的圓圈