你这个解决了吗 我也想加不会弄 能不能请教一下

那想问一下我可以把人脸分辨的结果在LCD上显示吗？如果可以改如何显示对应的编号呢

回复: LCD如何显示大字符？

我也在寻找这个问题的答案，请问你解决了吗？还是说这款OPENMV根本没有办法实现这个功能

请问这款的人脸识别可以实现只识别我添加了的人脸，并发出信号，不是我图库里面的人脸就不发出信号或者发出一个不开门的信号吗？而不是教程里面的检测图库里面的照片匹配出相似度最高那个。
就是如何实现面部解锁的功能呢？

@州山 你好，我现在也在做STM32和openMV的串口通信，请问两者之间是怎么连接的呢。我是这么连接的

RXD（10）—— TXD（P4）
TXD（9）------ RXD（P5）
GND --------- GND
3.3V -------- VIN
但是我一插上就只是闪了一下白光，就灭灯了，没有运行程序

@kidswong999 引用的是例程7人脸识别的代码
复制例程里面的确实可以使用，但是我写出来的就会显示这个错误

# 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())

我用的不是官方例程里面的代码，麻烦你认真看一下，我的问题是显示NameError: name '“frontalface”' is not defined

Face recognition with LBP descriptors.

See Timo Ahonen's "Face Recognition with Local Binary Patterns".

Before running the example:

1) Download the AT&T faces database http://www.cl.cam.ac.uk/Research/DTG/attarchive/pub/data/att_faces.zip

2) Exract and copy the orl_faces directory to the SD card root.

import sensor, time, image, pyb

sensor.reset() # Initialize the camera sensor.
sensor.set_pixformat(sensor.GRAYSCALE) # or sensor.GRAYSCALE
sensor.set_framesize(sensor.B128X128) # or sensor.QQVGA (or others)
sensor.set_windowing((92,112))
sensor.skip_frames(10) # Let new settings take affect.
sensor.skip_frames(time = 5000) #等待5s

#SUB = "s1"
NUM_SUBJECTS = 6 #图像库中不同人数，一共6人
NUM_SUBJECTS_IMGS = 20 #每人有20张样本图片

拍摄当前人脸。

img = sensor.snapshot()
#img = image.Image("singtown/%s/1.pgm"%(SUB))
d0 = img.find_lbp((0, 0, img.width(), img.height()))
#d0为当前人脸的lbp特征
img = None
pmin = 999999
num=0

def min(pmin, a, s):
global num
if a<pmin:
pmin=a
num=s
return pmin

for s in range(1, NUM_SUBJECTS+1):
dist = 0
for i in range(2, NUM_SUBJECTS_IMGS+1):
img = image.Image("singtown/s%d/%d.pgm"%(s, i))
d1 = img.find_lbp((0, 0, img.width(), img.height()))
#d1为第s文件夹中的第i张图片的lbp特征
dist += image.match_descriptor(d0, d1)#计算d0 d1即样本图像与被检测人脸的特征差异度。
print("Average dist for subject %d: %d"%(s, dist/NUM_SUBJECTS_IMGS))
pmin = min(pmin, dist/NUM_SUBJECTS_IMGS, s)#特征差异度越小，被检测人脸与此样本更相似更匹配。
print(pmin)

print(num) # num为当前最匹配的人的编号。

import sensor, time, image, pyb
from pyb import UART
sensor.reset() # Initialize the camera sensor.
sensor.set_pixformat(sensor.GRAYSCALE) # or sensor.GRAYSCALE
sensor.set_framesize(sensor.B128X128) # or sensor.QQVGA (or others)
sensor.set_windowing((92,112))
sensor.skip_frames(10) # Let new settings take affect.
sensor.skip_frames(time = 5000) #等待5s

uart = UART(3,9600)
face_cascade = image.HaarCascade(“frontalface”, stages=25)
#红灯亮
pyb.LED(1).on()# Red LED = 1, Green LED = 2, Blue LED = 3, IR LEDs = 4.
NUM_SUBJECTS = 6 #图像库中不同人数，一共6人
NUM_SUBJECTS_IMGS = 20 #每人有20张样本图片
flag=True

while(flag):

拍摄当前人脸。

img = sensor.snapshot()
objects = img.find_features(face_cascade, threshold=0.75, scale_factor=1.25)
if objects:
#红灯灭
pyb.LED(1).off()# Red LED = 1, Green LED = 2, Blue LED = 3, IR LEDs = 4.
#绿灯亮
pyb.LED(2).on()# Red LED = 1, Green LED = 2, Blue LED = 3, IR LEDs = 4.
for r in objects:
img.draw_rectangle(r)
ROIimg=img.copy(r)
flag=False

#img = image.Image(“singtown/%s/1.pgm”%(SUB))
d0 = ROIimg.find_lbp((0, 0, img.width(), img.height()))
#d0为当前人脸的lbp特征
img = None
pmin = 999999
num=0

def min(pmin, a, s):

global num
if a<pmin:
    pmin=a
    num=s
return pmin

for s in range(1, NUM_SUBJECTS+1): # s=1

dist = 0
for i in range(1, NUM_SUBJECTS_IMGS+1):
    img = image.Image("data/s%d/%d.pgm"%(s, i)) #.pgm or "example.bmp" (or others)
    d1 = img.find_lbp((0, 0, img.width(), img.height()))
    #d1为第s文件夹中的第i张图片的lbp特征
    dist += image.match_descriptor(d0, d1)#计算d0 d1即样本图像与被检测人脸的特征差异度。
print("Average dist for subject %d: %d"%(s, dist/NUM_SUBJECTS_IMGS))
pmin = min(pmin, dist/NUM_SUBJECTS_IMGS, s)#特征差异度越小，被检测人脸与此样本更相似更匹配。
if pmin<50000:
   message = "liujuan"
   uart.write(message)
   #绿灯灭
   pyb.LED(2).off()# Red LED = 1, Green LED = 2, Blue LED = 3, IR LEDs = 4.
   #蓝灯亮
   pyb.LED(3).on()# Red LED = 1, Green LED = 2, Blue LED = 3, IR LEDs = 4.
   print(message)
   print(pmin)

print(num) # num为当前最匹配的人的编号。