| ||
CascadeClassifier cascada; cascada.load("F:videoccchaarcascade_frontalface_alt2.xml"); Mat frame, myFace; while (1) { cap >> frame; Mat frame_gray; cascada.detectMultiScale(frame_gray, faces, 1.1, 4, CV_HAAR_DO_ROUGH_SEARCH, Size(70, 70), Size(1000, 1000)); //识别到的脸用矩形圈出 { } if (faces.size() == 1) Mat faceROI = frame_gray(faces[0]);//在灰度图中将圈出的脸所在区域裁剪出 resize(faceROI, myFace, Size(92, 112));//将兴趣域size为92*112 string filename = format("F:video%d.jpg", pic_num); //图片的存放位置,frmat的用法跟QString差不多 imshow(filename, myFace);//显示下size后的脸 destroyWindow(filename);//:销毁指定的窗口 if (pic_num == 11) return 0;//当序号为11时退出循环,一共拍10张照片 } if ((char)c == 27) { break; } //10us内输入esc则退出循环 waitKey(100);//等待100us return 0;
//读取你的CSV文件路径. string fn_csv = "F:videocccat.txt"; vector // 读取数据. 如果文件不合法就会出错 try read_csv(fn_csv, images, labels); //从csv文件中批量读取训练数据 catch (cv::Exception& e) cerr << "Error opening file "" << fn_csv << "". Reason: " << e.msg << endl; exit(1); // 如果没有读取到足够图片,也退出. string error_message = "This demo needs at least 2 images to work. Please add more images to your data set!"; } { if (images.size() != Size(92, 112)) cout << i << endl; } // 下面的几行代码仅仅是从你的数据集中移除最后一张图片,作为测试图片 Mat testSample = images[images.size() - 1]; images.pop_back();//删除最后一张照片,此照片作为测试图片 // 下面几行创建了一个特征脸模型用于人脸识别, // T这里是一个完整的PCA变换 // cv::createEigenFaceRecognizer(10); // 如果你还希望使用置信度阈值来初始化,使用以下语句: // // cv::createEigenFaceRecognizer(0, 123.0); //调用其中的成员函数train()来完成分类器的训练 model->train(images, labels); Ptr model1->save("MyFaceFisherModel.xml"); model2->train(images, labels); // 下面对测试图像进行预测,predictedLabel是预测标签结果 //predict()函数返回一个整形变量作为识别标签 int predictedLabel1 = model1->predict(testSample); // 还有一种调用方式,可以获取结果同时得到阈值: // double confidence = 0.0; string result_message = format("Predicted class = %d / Actual class = %d.", predictedLabel, testLabel); string result_message2 = format("Predicted class = %d / Actual class = %d.", predictedLabel2, testLabel); cout << result_message1 << endl; getchar(); return 0; 通过上面的代码进行训练,训练使用了python。所以系统环境需要配置好。 在此文件中,把我们采集到的图像,放进去,新建一个文件夹。 之后就是把我们的at.txt也加入我们的文件。 训练好后,我们就得到了我们所需要的训练文件。 在我们打卡界面,点击打卡时就是这样的。加载训练好的东西。然后启动定时器,去获取摄像头信号,然后对比,最终和数据库一致就认为打卡成功。 上面训练部分,其实提供的另一个工程就全部完成了。 这是我们win端界面,圆框就是我们摄像头采集图像显示的位置。 我们需要在Ubuntu下把库全部替换,这样就能编译过了,然后拷贝到开发板上运行。如下: 进来就提示数据库打开失败了,我们这个都是基于数据库,所以还是比较尴尬的,后期的话可以尝试自己全部编译下,然后更新吧。目前就测试,看下效果吧。 使用的硬件增加了一个摄像头。 这是打开摄像头采集的样子。 这个GIF展示了我们的人脸检测情况。 由于没有数据库,只能打印一些信息。当两个数据相等时就进入下一步,判断打卡了。由于没有数据库,就展示下电脑端的效果吧。
想要了解优秀测评者“流行科技”关于MYD-J8MPQC开发板测评原文的可以复制下方链接查看:
http://bbs.eeworld.com.cn/thread-1199387-1-1.html
iMX8M Plus开发板可以在米尔官网查看具体的产品介绍:
http://www.myir-tech.com/product/myd-jx8mpq.htm
需要购买米尔MYD-JX8MPQ开发板的可以复制下方链接购买:
https://detail.tmall.com/item.htm?id=662541228115