日志

基于QT+OpenCV的人脸识别-米尔iMX8M Plus开发板的项目应用

已有 313 次阅读| 2022-5-18 17:26 |系统分类:芯片设计| 人脸识别

本篇测评由电子工程世界的优秀测评者“流行科技”提供。

此次测试的开源项目，是基于QT+OpenCV的人脸识别打卡项目。本次体验使用的是开源的代码，此代码本来是运行在WIN下的，为了测试稍微进行了修改，让其运行在米尔iMX8M Plus开发板上。

测试项目实际是分了两个工程，一个工程是作为管理员控制功能使用，添加人脸信息。同时也可以查询到打卡记录，对从机进行下发通知等等。

人脸识别我们主要需要用到opencv的人脸检测分类器。

OpenCV编译完成后已经提供好了的。

因为这里还需要涉及到训练模型，有了模型后才能更好的识别，所以还是简单介绍下怎么训练的吧。

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;

通过上面的代码，完成图像采集。

//读取你的CSV文件路径.
string fn_csv = "F:videocccat.txt";
vector images;
// 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 = face::FisherFaceRecognizer::create();
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;