4. 请问如何实现人像追踪（最好可以这样实现），或者人脸追踪，想实现功能：小车追着人跑
  • 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。

    • 请问如何实现人像追踪（最好可以这样实现），或者人脸追踪，想实现功能：小车追着人跑

    • G
       

      请在这里粘贴代码（这个是追小球的小车的案例之一）
from pyb import Pin, Timer
inverse_left=False  #change it to True to inverse left wheel  False正转
inverse_right=False #change it to True to inverse right wheel

ain1 =  Pin('P0', Pin.OUT_PP)
ain2 =  Pin('P1', Pin.OUT_PP)
bin1 =  Pin('P2', Pin.OUT_PP)
bin2 =  Pin('P3', Pin.OUT_PP)
ain1.low() #低电平有效
ain2.low()
bin1.low()
bin2.low()

pwma = Pin('P7')
pwmb = Pin('P8')
tim = Timer(4, freq=1000) #定时器4
ch1 = tim.channel(1, Timer.PWM, pin=pwma)
ch2 = tim.channel(2, Timer.PWM, pin=pwmb)
ch1.pulse_width_percent(0) #通道的脉宽百分比，该数值介于1-100间
ch2.pulse_width_percent(0)

def run(left_speed, right_speed):
    if inverse_left==True: #如果反转
        left_speed=(-left_speed)
    if inverse_right==True:
        right_speed=(-right_speed)

    if left_speed < 0:
        ain1.low()
        ain2.high()
    else:
        ain1.high()
        ain2.low()
    ch1.pulse_width_percent(int(abs(left_speed))) #abs绝对值

    if right_speed < 0:
        bin1.low()
        bin2.high()
    else:
        bin1.high()
        bin2.low()
    ch2.pulse_width_percent(int(abs(right_speed)))

      请在这里粘贴代码（这个是人像检测的案例）

      TensorFlow Lite 人检测例程

      Google的“人检测模型”会检测到是否有人。

      在此示例中，我们将探测器窗口滑到图像上方，并获取激活列表。

      请注意，使用带有滑动窗口的CNN计算极为复杂，因此对于详尽搜索，不要期望CNN是实时的。

      import sensor, image, time, os, tf

      sensor.reset() # 复位并初始化传感器。

      sensor.set_pixformat(sensor.GRAYSCALE) # Set pixel format to RGB565 (or GRAYSCALE)
      #设置图像色彩格式，有RGB565色彩图和GRAYSCALE灰度图两种

      sensor.set_framesize(sensor.QVGA) # 将图像大小设置为QVGA (320x240)

      sensor.set_windowing((240, 240)) # 设置240x240窗口。
      sensor.skip_frames(time=2000) # 等待一段时间，让相机设置生效。

      加载内置的人检测神经网络模型(该网络位于OpenMV Cam的固件中)。

      net = tf.load('person_detection')
      labels = ['unsure', 'person', 'no_person']

      clock = time.clock()
      while(True):
      clock.tick()

      img = sensor.snapshot()

# net.classify()将在图像的roi上运行网络(如果没有指定roi，则在整个图像上运行)
# 将为每个位置生成一个分类得分输出向量。
# 在每个比例下，检测窗口都以x_overlap（0-1）和y_overlap（0-1）为指导在ROI中移动。
# 如果将重叠设置为0.5，那么每个检测窗口将与前一个窗口重叠50%。
# 请注意，重叠越多，计算工作量就越大。
# 最后，对于在网络沿x/y方向滑动后的多尺度匹配，检测窗口将由scale_mul（0-1）缩小到min_scale（0-1）。
# 下降到min_scale(0-1)。例如，如果scale_mul为0.5，则检测窗口将缩小50%。
# 请注意，如果x_overlap和y_overlap较小，则在较小的比例下可以搜索更多区域...

# 默认设置只是进行一次检测...更改它们以搜索图像...
for obj in net.classify(img, min_scale=1.0, scale_mul=0.5, x_overlap=0.0, y_overlap=0.0):
    print("**********\nDetections at [x=%d,y=%d,w=%d,h=%d]" % obj.rect())
    for i in range(len(obj.output())):
        print("%s = %f" % (labels[i], obj.output()[i]))
    img.draw_rectangle(obj.rect())
    img.draw_string(obj.x()+3, obj.y()-1, labels[obj.output().index(max(obj.output()))], mono_space = False)
print(clock.fps(), "fps")

      请在这里粘贴代码（这个是人脸追踪的案例）

      人脸追踪例程

      这个例子展示了使用OpenMV Cam的关键点功能来跟踪一个被Haar Cascade

      检测到的人脸。 该脚本的第一部分使用前面Haar Cascade在图像中找到一张

      脸。 之后，脚本使用关键点功能自动学习你的脸并跟踪它。 关键点可以

      用来自动追踪任何东西。

      import sensor, time, image

      Reset sensor

      sensor.reset()
      sensor.set_contrast(3)
      sensor.set_gainceiling(16)
      sensor.set_framesize(sensor.VGA)
      sensor.set_windowing((320, 240))
      sensor.set_pixformat(sensor.GRAYSCALE) #设置相机模块的像素格式

      跳过几帧，让感光元件稳定下来，使设置生效

      sensor.skip_frames(time = 2000)

      加载Haar算子

      默认情况下，这将使用所有阶段，较低的阶段更快但不太准确。

      face_cascade = image.HaarCascade("frontalface", stages=25) #Haar Cascade是一系列用来确定一个对象是否存在于图像中的对比检查。进行25个阶段的检查
      print(face_cascade)

      First set of keypoints

      第一组关键点

      kpts1 = None

      Find a face!

      找一张脸!

      while (kpts1 == None):
      img = sensor.snapshot()
      img.draw_string(0, 0, "Looking for a face...")
      # Find faces
      objects = img.find_features(face_cascade, threshold=0.5, scale=1.25) #这个方法搜索与Haar Cascade匹配的所有区域的图像，并返回一个关于这些特征的边界框矩形元组(x，y，w，h)的列表。若未发现任何特征，则返回一个空白列表。threshold 是浮点数（0.0-1.0），其中较小的值在提高检测速率同时增加误报率；scale 是一个必须大于1.0的浮点数。较高的比例因子运行更快，但其图像匹配相应较差。理想值介于1.35-1.5之间；第4个参数是ROI
      if objects:
      # 在每个方向上将ROI扩大31个像素
      face = (objects[0][0]-31, objects[0][1]-31,objects[0][2]+312, objects[0][3]+312)
      # 使用检测面大小作为ROI提取关键点
      kpts1 = img.find_keypoints(threshold=10, scale_factor=1.1, max_keypoints=100, roi=face)
      # 在第一个人脸周围画一个矩形
      img.draw_rectangle(objects[0])

      Draw keypoints

      print(kpts1)
      img.draw_keypoints(kpts1, size=24)
      img = sensor.snapshot()
      time.sleep_ms(2000)

      FPS clock

      clock = time.clock() #开始追踪运行时间

      while (True):
      clock.tick()
      img = sensor.snapshot()
      # 从整个帧中提取关键点
      kpts2 = img.find_keypoints(threshold=10, scale_factor=1.1, max_keypoints=100, normalized=True) #第一个参数可设置ROI

      if (kpts2):
    # 将第一组关键点与第二组关键点匹配
    c=image.match_descriptor(kpts1, kpts2, threshold=85)
    match = c[6] # C[6] contains the number of matches. C[6]包含匹配的数量。
    if (match>5):
        img.draw_rectangle(c[2:6])
        img.draw_cross(c[0], c[1], size=10)
        print(kpts2, "matched:%d dt:%d"%(match, c[7]))

# Draw FPS
img.draw_string(0, 0, "FPS:%.2f"%(clock.fps())) #停止追踪运行时间，并返回当前FPS（每秒帧数）。
      0
    • G

      在线等！！！万分感谢！！

      0

    • 我推荐用目标点检测FOMO来做。https://singtown.com/learn/50918/

      然后参考这个修改：https://singtown.com/learn/50041/

      0