Comment mettre OpenCV dans Raspberry Pi et collecter facilement des images des résultats de détection de visage avec Python

introduction

Il était assez difficile de collecter les images des visages des gens nécessaires à l'apprentissage automatique, j'ai donc créé un script pour réduire un peu la charge de travail.

Installation d'OpenCV

Installez avec la commande suivante. Au fait, c'est pour Python 2.7.

python

$ sudo apt install libopencv-dev python-opencv

une fonction

Si vous spécifiez l'URL de l'image de la photo de groupe, l'image sera téléchargée depuis Internet, la détection de visage sera effectuée et l'image du résultat de la détection sera enregistrée.

Charger la bibliothèque

Chargez la bibliothèque que vous souhaitez utiliser.

python

import cv2
import sys
from PIL import Image
import urllib
import os

Créer un dossier pour les images

Créez des dossiers pour enregistrer les images pour la détection et les résultats.

python

if os.path.exists("input") == False:
    os.mkdir("input")
    
if os.path.exists("output") == False:
    os.mkdir("output")

Télécharger les données d'image

Enregistre l'image de l'URL spécifiée dans le dossier d'entrée. Il obtient également le nom du fichier image à partir de l'URL.

• Dans l'exemple, "photo.jpg "

python

url = "http://hoge.com/photo.jpg "

#Obtenir le nom du fichier
tmp = url.split("/")
imgname = tmp[len(tmp)-1]
imgpath = "input/" + imgname

#Télécharger les données d'image
response = urllib.urlopen(url)

with open(imgpath, "wb") as fout:
    fout.write(response.read())

Traitement des données d'image

S'il est en couleur, le traitement prend du temps, alors convertissez-le en échelle de gris.

python

#Lecture des données d'image
image = cv2.imread(imgpath)
#Conversion de l'échelle de gris
image_gray = cv2.cvtColor(image, cv2.cv.CV_BGR2GRAY)

Processus de détection de visage

Lit et détecte les données entraînées pour la détection des visages.

python

#Désignation du classificateur HAAR
cascade_path = "haarcascades/haarcascade_frontalface_alt.xml"

#Acquérir la quantité de caractéristiques du classificateur en cascade
cascade = cv2.CascadeClassifier(cascade_path)

#Processus de détection
faces = cascade.detectMultiScale(image_gray, scaleFactor=1.1, minNeighbors=1, minSize=(1, 1))

print "Résultat de la détection",len(faces),"Homme"

Couper et enregistrer l'image du visage à partir du résultat de la détection

Coupez l'image du visage à partir des données d'image avant de la convertir en échelle de gris et enregistrez-la. À ce stade, redimensionnez la taille de l'image à 50 x 50 afin qu'elle soit facile à utiliser dans l'apprentissage automatique.

python

img = Image.open(imgpath)

for i in range(len(faces)):
    [x,y,w,h] = faces[i]
    imgCroped = img.crop((x,y,x+w,y+h)).resize((50, 50))
    filename = "output/%s_%02d.jpg " % (imgname.split(".")[0], i)
    imgCroped.save(filename)

l'a fait! !! Certaines choses autres que le visage sont détectées, mais généralement satisfaites (^ - ^)

en conclusion

Si vous demandez à Google Sensei une "photo de groupe", vous verrez un grand nombre de photos haute résolution. J'ai été un peu surpris.