星瞳实验室APP,快速收到回复
  • 我们只解决官方正版的OpenMV的问题(STM32),其他的分支有很多兼容问题,我们无法解决。
  • 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。
  • 想检测人脸,希望达到最大人脸在左侧输出“left”,右侧“right”,无人脸pass,希望修改代码?



    • # 人脸识别例程
      
      #
      
      # 这个例子展示了OpenMV Cam的内置人脸检测功能。
      
      #
      
      # 人脸检测通过在图像上使用Haar Cascade特征检测器来工作。 haar级联是
      
      # 一系列简单的区域对比检查。 对于内置的前表面探测器,有25个阶段的检查,
      
      # 每个阶段有数百个检查一块。 Haar Cascades运行速度很快,因为只有在 
      
      # 以前的阶段过去后才会评估后期阶段。 此外,您的OpenMV使用称为
      
      # 整体图像的数据结构来在恒定时间内快速执行每个区域对比度检查
      
      #(特征检测仅为灰度的原因是因为整体图像的空间需求)。
      
      
      
      import sensor, time, image
      
      
      
      # Reset sensor
      
      sensor.reset()
      
      
      
      # Sensor settings
      
      sensor.set_contrast(1)
      
      sensor.set_gainceiling(16)
      
      # HQVGA and GRAYSCALE are the best for face tracking.
      
      sensor.set_framesize(sensor.HQVGA)
      
      sensor.set_pixformat(sensor.GRAYSCALE)
      
      #注意人脸识别只能用灰度图哦
      
      
      
      # Load Haar Cascade
      
      # By default this will use all stages, lower satges is faster but less accurate.
      
      face_cascade = image.HaarCascade("frontalface", stages=25)
      
      #image.HaarCascade(path, stages=Auto)加载一个haar模型。haar模型是二进制文件,
      
      #这个模型如果是自定义的,则引号内为模型文件的路径;也可以使用内置的haar模型,
      
      #比如“frontalface” 人脸模型或者“eye”人眼模型。
      
      #stages值未传入时使用默认的stages。stages值设置的小一些可以加速匹配,但会降低准确率。
      
      print(face_cascade)
      
      
      
      # FPS clock
      
      clock = time.clock()
      
      
      
      while (True):
      
          clock.tick()
      
      
      
          # Capture snapshot
      
          img = sensor.snapshot()
      
      
      
          # Find objects.
      
          # Note: Lower scale factor scales-down the image more and detects smaller objects.
      
          # Higher threshold results in a higher detection rate, with more false positives.
      
          objects = img.find_features(face_cascade, threshold=0.75, scale=1.35)
      
          #image.find_features(cascade, threshold=0.5, scale=1.5),thresholds越大,
      
          #匹配速度越快,错误率也会上升。scale可以缩放被匹配特征的大小。
      
      
      
          #在找到的目标上画框,标记出来
      
          # Draw objects
      
          for r in objects:
      
              img.draw_rectangle(r)
      
      
      
          # Print FPS.
      
          # Note: Actual FPS is higher, streaming the FB makes it slower.
      
          #print(clock.fps())
          if (clock.fps()>16.8 and clock.fps()<17.2) or (clock.fps()>20.8 and clock.fps()<21.2) or (clock.fps()>28.1 and clock.fps()<28.5):
              print('middle')    
          elif clock.fps()<16.8 or clock.fps()<20.8 or clock.fps()<28.1:
              print('left')
          elif clock.fps()>17.2 or clock.fps()>21.2 or clock.fps()>28.5:
              print('right')
      
      


    • 你判断clock.fps()>16.8有什么用?那是帧率。



    • 如果r是最大的人脸的区域
      x = r[0]
      y = r[1]
      w = r[2]
      h = r[3]
      
      if x+w/2 < img.width()/2:
          print("在左边")
      


    • @kidswong999 可不可以将整个显示区域纵向分为三百六十份,中央竖直线设置为零,左侧为负,右侧为正?



    • @kidswong999 嗯,更详细的说,根据分辨率分为320份,编写代码让其返回人脸框图中央坐标(横),然后根据坐标返回不同值