[PYTHON] Gesichtserkennung / Schneiden mit OpenCV

Einführung

Ich habe den Code geändert, der das Gesicht im Bild erkennt und in einen quadratischen Rahmen einschließt, und einen Code erstellt, der als Datei ausgeschnitten wird.

Bibliotheksimport

Importieren Sie Bibliotheken wie OpenCV und Pillow.

import os
import subprocess
from PIL import Image
import cv2 as cv

dir0 = 'org' 
dir1 = 'png'
dir2 = 'png_resize'
dir3 = 'face'

Bildvorbereitung

Legen Sie das Originalbild (JPG, Größe 500 x 334 Pixel) in den Organisationsordner. Konvertieren Sie dies in eine PNG-Datei, passen Sie die Größenbreite auf 600 Pixel an und speichern Sie sie im Ordner png_resize.

files0 = os.listdir(dir0)
files0.sort()

for file in files0:

    if '.jpg'  in file:        
        command = 'sips --setProperty format png ' + dir0 +'/' + file +  ' --out ' + dir1 +'/' +  file.replace('.jpg','.png') 
        subprocess.call(command, shell=True)
        print(file) 

files1 = os.listdir(dir1)
files1.sort()

# aaa.jpg  

for file in files1:   
    if '.png' in file:   
        img0 = os.path.join(dir1, file)
        img0_img = Image.open(img0)
        h = img0_img.height
        w = img0_img.width
        img1_img = img0_img.resize((600,round(600*h/w)))
        img1 = os.path.join(dir2, file) 
        img1_img.save(img1)
        print(file) 

# aaa.png

files2 = os.listdir(dir2)
files2.sort()    

Gesichtsklassifikator installiert

Gesichtsklassifizierer sind unter [hier] verfügbar (https://github.com/opencv/opencv/blob/master/data/haarcascades/ "hier").

face_cascade = cv.CascadeClassifier('haarcascade_frontalface_default.xml')
#face_cascade = cv.CascadeClassifier('haarcascade_profileface.xml')

Ausführung des Gesichtsklassifikators, Gesichtsbildausschnitt

Schneiden Sie das Gesichtsbild aus. Der Ausschnittbereich ist 10px breiter nach oben, unten, links und rechts als der Erfassungsbereich.

for file in files2:
    if '.png' in file:
        dirfile = os.path.join(dir2, file) 
        img = cv.imread(dirfile)
        gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
        
        faces = face_cascade.detectMultiScale(gray, 1.3, 5)
        
        for (x,y,w,h) in faces:
            face = img[y-10:y+h+10, x-10:x+w+10]
            face_name = str(file.strip('.png'))+'_'+str(x)+'_'+str(y)+'.png'
            dirface = os.path.join(dir3,face_name)
            facefile = cv.imwrite(dirface, face) 
            #cv.rectangle(img,(x-10,y-10),(x+w+10,y+h+10),(255,0,0),2)
            print(face_name)  

# aaa_152_22.png
# aaa_11_70.png
# aaa_438_41.png
# aaa_79_106.png
# aaa_385_140.png
# aaa_190_175.png
# aaa_269_171.png
# aaa_76_206.png
# aaa_527_257.png
# aaa_91_277.png
# aaa_254_330.png
# aaa_446_348.png  

Aus den obigen Bildern wurden insgesamt 12 Gesichtsbilder ausgeschnitten. Wenn Sie den größten Teil des Gesichts sehen können, wissen Sie, dass der Ausschnitt erfolgreich war.

Am Ende

Es scheint, dass es verwendet werden kann, wenn eine Liste mit einem Foto aus einem Gruppenfoto erstellt wird. Es wäre für jeden praktisch, den trainierten Klassifikator zu verwenden, wenn er als Kaskadendatei veröffentlicht würde.

Referenz

https://docs.opencv.org/4.1.0/d7/d8b/tutorial_py_face_detection.html https://github.com/opencv/opencv/tree/master/data/haarcascades