4. OSError: 32，代码运行时的错误，求大佬指点
  • OpenMV VSCode 扩展发布了，在插件市场直接搜索OpenMV就可以安装
  • 如果有产品硬件故障问题，比如无法开机，论坛很难解决。可以直接找售后维修。
  • 发帖子之前，请确认看过所有的视频教程，https://singtown.com/learn/ 和所有的上手教程http://book.openmv.cc/
  • 每一个新的提问，单独发一个新帖子
  • 帖子需要目的，你要做什么？
  • 如果涉及代码，需要报错提示与全部代码文本，请注意不要贴代码图片
  • 必看：玩转星瞳论坛了解一下图片上传，代码格式等问题。

    • OSError: 32，代码运行时的错误，求大佬指点

    • K
       

      pmax=0
num=1
n=1
loop_flag=1

SSID ='OPENMV_AP'    # Network SSID
KEY  ='1234567890'    # Network key (must be 10 chars)
HOST = ''           # Use first available interface
PORT = 8080         # Arbitrary non-privileged port

wlan = network.WINC(mode=network.WINC.MODE_AP)
wlan.start_ap(SSID, key=KEY, security=wlan.WEP, channel=2)     
  
s = usocket.socket(usocket.AF_INET, usocket.SOCK_STREAM)
# try:
# Bind and listen
s.bind([HOST, PORT])
s.listen(5)

    # Set server socket timeout
    # NOTE: Due to a WINC FW bug, the server socket must be closed and reopened if
    # the client disconnects. Use a timeout here to close and re-create the socket.
#s.settimeout(10)
print ('Waiting for connections..')
client, addr = s.accept()
    # set client socket timeout to 2s
client.settimeout(2.0)
print ('Connected to ' + addr[0] + ':' + str(addr[1]))

    # Read request from client
data = client.recv(1024)
    # Should parse client request here

    # Send multipart header
client.send("HTTP/1.1 200 OK\r\n" \
            "Server: OpenMV\r\n" \
            "Content-Type: image/jpeg\r\n\r\n")

while loop_flag:
    #加了histeq子自适应直方图均衡，当人脸填满整个屏幕的时候可以提高一点点识别准确度.histeq(adaptive=True, clip_limit=3)
    #找图片中人脸
    #gamma_corr用于修正图像中色彩，数值越高图像越亮
    faces = sensor.snapshot().gamma_corr(contrast=1.5).find_features(image.HaarCascade("frontalface"))
    #仅当图片中有人脸（正脸）才裁切脸部分，并进行特征点比对判断
    print("Gain %f dB, Exposure %d us" % \
        (sensor.get_gain_db(), sensor.get_exposure_us()))
    if faces:
        pyb.LED(3).on()
        pyb.LED(3).off()
        loop_flag=0
            #获取image中人像部分largest_face的roi
        largest_face = max(faces, key = lambda f: f[3] * f[3])
        img=sensor.get_fb().crop(roi=largest_face)#裁剪人脸部分保存到img


        kpts1=img.find_keypoints(max_keypoints=90, threshold=0, scale_factor=1.3)

        #img.draw_keypoints(kpts)#画出此时的目标特征,没有调用那个定义的函数
        img.draw_keypoints(kpts1)

            #下面进行特征点比对
        kpts2=None
        for s in range(1, NUM_SUBJECTS+1):
            match_count = int(0)
            angle_count=0
            for i in range(2, NUM_SUBJECTS_IMGS+1):
                kpts2=image.load_descriptor("/keypoints/s%s/%s.orb"%(s,i))

                    #匹配当前找到的特征和最初的目标特征的相似度
                    # #threshold阈值设置匹配的准确度，用来过滤掉有歧义的匹配。这个值越小，准确度越高。阈值范围0～100，默认70
                    #filter_outliers默认关闭。
                    #对于ORB描述符来说，这个函数返回的是kptmatch对象。
                match_count+=image.match_descriptor(kpts1, kpts2).count()
                    #match=image.match_descriptor(kpts1, kpts2)
                    #if isinstance(match,kptmatch):+
                    #    match_count+=match.count()

                    #angle_count+=image.match_descriptor(kpts1, kpts2).theta()

            print("Average match_count for subject %d: %d"%(s, match_count/NUM_SUBJECTS_IMGS))

            pmax=find_max(pmax, match_count/NUM_SUBJECTS_IMGS, s)#match_count越大，被检测人脸与此样本更相似更匹配。
                #print("pmax:%d"%pmax)

        if pmax<9:#和三个人都差距都较大，返回0
                #buneng
                #uart.write(str(0))
            print("unknown person !") # face_num保存s中当前最匹配的人的编号。
            pyb.LED(1).on()
            sensor.reset()
            # Set sensor settings

            sensor.set_framesize(sensor.QVGA)
            sensor.set_pixformat(sensor.RGB565)
            sensor.snapshot().save("unknow person/%s.bmp" % (num) )
            num+=1

            pyb.LED(1).off()
        else:
                #uart.write(str(face_num))#发送只能是字符，而不能是数字，所以需要格式转换str(b)
            print("The most similar person is:%d"%face_num) # face_num保存s中当前最匹配的人的编号。
            pyb.LED(2).on()
            sensor.skip_frames(time = 1000)
            pyb.LED(2).off()

    else:
        print("find no face")
        frame = image.Image("unknow person/%s.bmp" % (n), copy_to_fb=True)
        cframe = frame.compressed(quality=35)
        client.send(cframe)

        client.close()
        n+=1
        sensor.skip_frames(time = 2000)
      0
    • K

      @k1zq 在 OSError: 32，代码运行时的错误，求大佬指点 中说：

          client.send(cframe)

      0_1618217766015_7c2fc80f-0c6e-4ab2-a4a6-d7f3444162bf-image.png

      0
    • K

      大佬帮帮忙，真不知道为什么，第一张图还能查看，第二张的时候帧缓存区就图失真了

      0
    • K

      我是从SD卡里读取图片然后通过WiFi传输，同时进行人脸识别

      0

    • 你这个代码的结构也不是例子里的啊。
      https://book.openmv.cc/example/14-WiFi-Shield/mjpeg-streamer-ap.html

      你的代码要实现的功能是什么？

      0
    • K

      我是想实现通过特征点检测人脸，不认识的人脸拍照保存到SD卡的unknown person 文件夹里，然后在通过将图片读取的帧缓存区WiFi图传，在网页上看，结果运行到第一张图片的时候，第一张图可以在网页上看到，然后两秒钟左右就出现这个错误了，第二张图片在帧缓存区是失真的

      0

    • 我没看懂你的逻辑，将不认识的人脸保存到SD卡，然后再读取SD卡中的图片通过Wi-Fi传输？

      0
    • K

      对的，认识的人脸会输出人脸编号，不认识的会输出不认识，然后拍照保存到SD卡里，然后WiFi图传，我代码的意思是运行人脸识别的同时WiFi图传，然后可以在网页上看到，但现在只能看到一张，好像帧缓存区会卡住，还有什么别的方法WiFi图传吗？教程上的是将帧缓存区的图像压缩然后传输

      0

    • 没必要保存到SD卡里，然后再“读取”啊。直接就是img。

      0

    • 你的错误就是代码的整个架构是不对的，只返回一个图片。你用上面链接的代码改。

      0