|
第四十五章 人脸识别实验
在上一章节中，介绍了利用maix.KPU模块实现了人脸68关键点检测，本章将继续介绍利用maix.KPU模块实现的人脸识别。通过本章的学习，读者将学习到人脸识别应用在CanMV上的实现。 本章分为如下几个小节： 45.1 maix.KPU模块介绍 45.2 硬件设计 45.3 程序设计 45.4 运行验证
45.1 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》。
45.2 硬件设计 45.2.1 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特征提取，然后将提取到的人脸特征与先前录入的人脸特征进行对比，如果得分高于阈值，则能成功识别人脸，最后将识别结果同原始图像在LCD上进行显示。 2. 按下KEY0按键可以录入当前人脸的特征。
45.2.2 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。
45.2.3 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。
45.3 程序设计 45.3.1 maix.KPU模块介绍 有关maix.KPU模块的介绍，请见第45.1小节《maix.KPU模块介绍》。
45.3.2 程序流程图 图45.3.2.1 人脸识别实验流程图
45.3.3 main.py代码 main.py中的脚本代码如下所示： from board import board_info from fpioa_manager import fm from maix import GPIO import time import lcd import sensor import gc from maix import KPU fm.register(board_info.KEY0, fm.fpioa.GPIOHS0) key0 = GPIO(GPIO.GPIOHS0, GPIO.IN, GPIO.PULL_UP) save_feature = False def key_irq_handler(key): global key0 global save_feature time.sleep_ms(20) if key is key0 and key.value() == 0: save_feature = True key0.irq(key_irq_handler, GPIO.IRQ_FALLING, GPIO.WAKEUP_NOT_SUPPORT, 7) 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)) features = [] score_threshold = 80 # 构造并初始化人脸特征提取KPU对象 feature_extractor = KPU() feature_extractor.load_kmodel('/sd/KPU/feature_extraction.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)) # 计算人脸特征并于保存的人脸特征进行比对获取相似度得分 scores = [] max_score = 0 face_img = img.cut(x, y, w, h) resize_img = face_img.resize(64, 64) resize_img.pix_to_ai() feature = feature_extractor.run_with_output(resize_img, get_feature=True) for i in range(len(features)): score = KPU.feature_compare(features[i], feature) scores.append(score) # 计算得分的最大值 if len(scores) is not 0: max_score = max(scores) # 根据阈进行人脸识别 if max_score > score_threshold: img.draw_rectangle(x, y, w, h, color=(0, 255, 0)) img.draw_string(x + 2, y + 2, str(scores.index(max(scores))), color=(0, 255, 0), scale=1.5) # 根据中断按键进行人脸特征录入 if save_feature is True: save_feature = False features.append(feature) del scores del max_score del face_img del resize_img del feature 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和人脸特征提取的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人脸特征提取，然后将提取到的人脸特征与先前保存的人脸特征进行对比，若对比得到高于指定的阈值，则表示能够识别出人脸，通过在获取到人脸特征后可以根据需要进行人脸特征的录入，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。
45.4 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，接着按下KEY0按键来录入人脸的特征，录入多张人脸特征后，可以看到LCD上显示了人脸识别的结果，每张人脸根据其特征比对得分，得到一个ID号，ID号与人脸录入的顺序有关，如下图所示： 图45.4.1 LCD显示人脸识别实验结果
| 
楼主
标题置顶
标题高亮
