|
第四十三章 人脸属性分析实验
在上一章节中，介绍了利用maix.KPU模块实现了人脸口罩佩戴检测，本章将继续介绍利用maix.KPU模块实现的人脸属性分析。通过本章的学习，读者将学习到人脸属性分析应用在CanMV上的实现。 本章分为如下几个小节： 43.1 maix.KPU模块介绍 43.2 硬件设计 43.3 程序设计 43.4 运行验证
43.1 maix.KPU模块介绍 有关maix.KPU模块的介绍，请见第39.1小节《maix.KPU模块介绍》。
43.2 硬件设计 43.2.1 例程功能 1. 获取摄像头输出的图像，并送入KPU进行人脸检测，接着对检测到的人脸分别进行人脸五关键点检测和属性分析，最后将所有的检测结果和原始图像一同在LCD上进行显示。
43.2.2 硬件资源 本章实验内容，主要讲解maix.KPU模块的使用，无需关注硬件资源。
43.2.3 原理图 本章实验内容，主要讲解maix.KPU模块的使用，无需关注原理图。
43.3 程序设计 43.3.1 maix.KPU模块介绍 有关maix.KPU模块的介绍，请见第43.1小节《maix.KPU模块介绍》。
43.3.2 程序流程图 图43.3.2.1 人脸属性分析实验流程图
43.3.3 main.py代码 main.py中的脚本代码如下所示： import lcd import sensor import gc from maix import KPU lcd.init() sensor.reset() sensor.set_framesize(sensor.QVGA) sensor.set_pixformat(sensor.RGB565) sensor.set_hmirror(False) anchor = (0.1075, 0.126875, 0.126875, 0.175, 0.1465625, 0.2246875, 0.1953125, 0.25375, 0.2440625, 0.351875, 0.341875, 0.4721875, 0.5078125, 0.6696875, 0.8984375, 1.099687, 2.129062, 2.425937) names = ['face'] # 构造并初始化人脸检测KPU对象 face_detecter = KPU() face_detecter.load_kmodel("/sd/KPU/face_detect_320x240.kmodel") face_detecter.init_yolo2(anchor, anchor_num=len(anchor) // 2, img_w=320, img_h=240, net_w=320, net_h=240, layer_w=10, layer_h=8, threshold=0.5, nms_value=0.2, classes=len(names)) # 构造并初始化人脸五关键点检测KPU对象 ld5_kpu = KPU() ld5_kpu.load_kmodel("/sd/KPU/ld5.kmodel") pos_face_attr = ["Male ", "Mouth Open ", "Smiling ", "Glasses"] neg_face_attr = ["Female ", "Mouth Closed", "No Smile", "No Glasses"] # 构造并初始化人脸属性分析KPU对象 fac_kpu = KPU() fac_kpu.load_kmodel("/sd/KPU/fac.kmodel") # 按指定比例扩展矩形框 def extend_box(x, y, w, h, scale): x1 = int(x - scale * w) x2 = int(x + w - 1 + scale * w) y1 = int(y - scale * h) y2 = int(y + h - 1 + scale * h) x1 = x1 if x1 > 0 else 0 x2 = x2 if x2 < (320 - 1) else (320 - 1) y1 = y1 if y1 > 0 else 0 y2 = y2 if y2 < (240 - 1) else (240 - 1) return x1, y1, x2 - x1 + 1, y2 - y1 + 1 while True: img = sensor.snapshot() face_detecter.run_with_output(img) faces = face_detecter.regionlayer_yolo2() for face in faces: # 框出人脸位置 x, y, w, h = extend_box(face[0], face[1], face[2], face[3], 0.08) img.draw_rectangle(x, y, w, h, color=(0, 255, 0)) # 计算人脸五关键点 face_img = img.cut(x, y, w, h) resize_img = face_img.resize(128, 128) resize_img.pix_to_ai() output = ld5_kpu.run_with_output(resize_img, getlist=True) for i in range(len(output) // 2): point_x = int(KPU.sigmoid(output[2 * i]) * w + x) point_y = int(KPU.sigmoid(output[2 * i + 1]) * h + y) img.draw_cross(point_x, point_y, size=5, color=(0, 0, 255)) # 计算人脸属性 output = fac_kpu.run_with_output(resize_img, getlist=True) for i in range(len(output)): if KPU.sigmoid(output[i]) > 0.5: img.draw_string(x + w + 2, y + i * 16 + 2, "%s" % (pos_face_attr[i]), color=(255, 0, 0), scale=1.5) else: img.draw_string(x + w + 2, y + i * 16 + 2, "%s" % (neg_face_attr[i]), color=(0, 0, 255), scale=1.5) del face_img del resize_img lcd.display(img) gc.collect() 可以看到一开始是先初始化了LCD和摄像头，并分别构造并初始化了用于人脸检测、人脸五关键点、人脸属性分析的KPU对象。 然后便是在一个循环中不断地获取摄像头输出的图像，首先将图像进行人脸检测，检测图像中存在的人脸，接着对人脸图像进行五关键点检测，分析出人脸五关键点的位置，接着是对人脸图像进行属性分析，分析人脸的性别、嘴巴开合、是否微笑、是否佩戴眼镜等属性，最后将以上所有的分析检测结果在图像上进行绘制，然后在LCD上显示图像。
43.4 运行验证 将DNK210开发板连接CanMV IDE，点击CanMV IDE上的“开始(运行脚本)”按钮后，将摄像头对准人脸，让其采集到人脸图像，随后便能在LCD上看到摄像头输出的图像，同时能看到图像上标注了人脸位置、人脸五关键点位置、人脸属性等信息，如下图所示： 图43.4.1 LCD显示人脸属性分析实验结果
| 
楼主
标题置顶
标题高亮
