Gesichtserkennung mit Python + OpenCV (invariante Rotation)

Gesichtserkennung beim Drehen des Bildes Ich habe den besten Winkel nicht eingestellt Falls erforderlich, beziehen Sie sich auf Folgendes

Einfache Gesichtserkennungs-API mit Heroku + OpenCV

Face Detection using Haar Cascades

Ich möchte, dass Sie den Filter anstelle des Eingabebildes drehen und automatisch erkennen ...

Anpassungspunkt

Es mag für Leute, die an Bildverarbeitung gewöhnt sind, natürlich sein, aber da ich es kaum getan habe, bin ich ziemlich süchtig danach.

Die Reihenfolge kann beim Erfassen / Festlegen der Höhe und Breite des Bildes unterschiedlich sein.

--shape… Höhe (Zeilen), Breite (Spalten) --Slice nach Index ... [Untere Höhe (y): Obere Höhengrenze (y + h), Untere Breitengrenze (x): Obere Breitengrenze (x + w)] --OpenCV-Koordinatenspezifikation (Mittelpunkt usw.) ... (horizontal (x), vertikal (y))

Im Koordinatensystem der Anzeige ist die y-Achse nach unten gerichtet, der Winkel jedoch gegen den Uhrzeigersinn. Wenn also die normale y-Achse in das Koordinatensystem nach oben konvertiert wird, dreht sie sich im Uhrzeigersinn.

Code

`face_rotate_detect.py`


# -*- coding: utf-8 -*-

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import cv2, os, sys, imghdr, shutil, math
import numpy as np

CWD = os.getcwd()
DIR_ORIGIN = CWD + '/images/'
DIR_DESTINATION = CWD + '/faces/'

classifier = cv2.CascadeClassifier('{python_dir}/{classifier_dir}/haarcascade_frontalface_alt2.xml'.format(
    python_dir = os.path.split(sys.executable)[0],
    classifier_dir = '../share/OpenCV/haarcascades',
))

def getFaces(path_full):
    results = []
    image = cv2.imread(path_full)
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    rows, cols, colors = image.shape
    center = tuple(np.array([cols, rows]))
    # get rotations
    for angle in range(-90, 91, 5):
        radian = np.deg2rad(angle)
        output_height = int(np.absolute(cols * np.sin(radian)) + np.absolute(rows * np.cos(radian)))
        output_width = int(np.absolute(cols * np.cos(radian)) + np.absolute(rows * np.sin(radian)))
        output_size = tuple(np.array([output_width, output_height]))
        # rotate
        Matrix = cv2.getRotationMatrix2D(center, degree, 1.0)
        # translate
        Matrix[0, 2] += (output_width - width) * 0.5
        Matrix[1, 2] += (output_height - height) * 0.5
        # warp affine
        rotated = cv2.warpAffine(gray, Matrix, output_size, flags = cv2.INTER_LINEAR)
        # detect faces
        faces = classifier.detectMultiScale(rotated)
        if len(faces):
            rotated_color = cv2.warpAffine(image, Matrix, output_size, flags = cv2.INTER_LINEAR)
            for x, y, w, h in faces:
                results.append(rotated_color[y : y + h, x : x + w])
    return results

def saveFaces(faces):
    global count

    for face in faces:
        cv2.imwrite(
            '{dir_destination}{count}.jpg'.format(dir_destination = DIR_DESTINATION, count = count),
            face,
            [cv2.IMWRITE_JPEG_QUALITY, 100]
        )
        count += 1

count = 1
for path, subdirs, files in os.walk(DIR_ORIGIN):
    for name in files:
        path_full = os.path.join(path, name)
        if imghdr.what(path_full) in ['jpeg']:
            saveFaces(getFaces(path_full))
            print(path_full)