基于Dragonboard 410c的智能魔鏡設(shè)計(jì)（5）-通過人臉進(jìn)行用戶身份識別

基于Dragonboard410c的智能魔鏡設(shè)計(jì)（5）——通過人臉進(jìn)行用戶身份識別根據(jù)前面的設(shè)計(jì)方案，在設(shè)計(jì)的基于dragonboard410c的智能魔鏡中，需要根據(jù)超聲波檢測到有人靠近的時候，通過USB攝像頭采集人臉數(shù)據(jù)，然后根據(jù)數(shù)據(jù)庫中的人臉數(shù)據(jù)進(jìn)行人臉匹配，識別用戶的身份，最終根據(jù)用戶身份顯示不同的消息和推送不同的內(nèi)容，這期blog將重點(diǎn)向大家介紹智能魔鏡中的人臉檢測和識別處理實(shí)現(xiàn)的原理和過程。需要進(jìn)行基于人臉的用戶身份識別，首先需要檢測出人臉，然后根據(jù)檢測出來的人臉與數(shù)據(jù)庫中的人臉進(jìn)行匹配，最終得出匹配度，根據(jù)匹配度確定該人臉的身份，這里將從這兩個方面來向大家介紹如何在智能魔鏡中實(shí)現(xiàn)人臉身份檢測，其實(shí)在前面的一系列blog中已經(jīng)給大家介紹了人臉識別和檢測的實(shí)現(xiàn)方法，這里就在結(jié)合智能魔鏡代碼設(shè)計(jì)再向大家如何應(yīng)用前面已經(jīng)設(shè)計(jì)好的人臉檢測和識別的代碼，將其集中到智能魔鏡中的應(yīng)用中來。在基于USB攝像頭人臉識別的文章中已經(jīng)告訴了大家如使用Python和OpenCV來何構(gòu)建人臉檢測代碼，我們這里構(gòu)建了一個getFac.py文件，在該文件中通過getFac類來實(shí)現(xiàn)人臉的檢測，其實(shí)也就是對前面blog方法的一次封裝即可，具體代碼如下：

defgetface(self,device):

cap=cv2.VideoCapture(device)

faces=[]

num=self.maxFrames

while(True):

ret,img=cap.read()

ret,img=cap.read()

ret,img=cap.read()

ret,img=cap.read()

ifret==True:

gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

faces=self.face_cascade.detectMultiScale(gray,1.3,5)

i=0

for(x,y,w,h)infaces:

face=img[y:y+h,x:x+w]

print("getfacesucessful")

cap.release()

cv2.imwrite('./temp.jpg',face)

returnTrue

num=num-1

ifnum==0:

print("getfacefailed")

cap.release()

returnFalse

else:

cap.release()

returnFalse

有了上述類，我們就可以檢測并且獲得人臉圖像，接下來我們需要利用檢測到的人臉圖像，與數(shù)據(jù)庫中的人臉圖像進(jìn)行匹配，實(shí)現(xiàn)人臉的識別，其方法和前面使用USB攝像頭進(jìn)行人臉識別文章--第二篇中的方法一樣，采用opencv提供的人臉識別接口來實(shí)現(xiàn)，但是這里為了在魔鏡中調(diào)用，重寫了前面blog的方法，構(gòu)建了一個peopleIdentification.py類來實(shí)現(xiàn)魔鏡中的人臉身份檢測，這里封裝了一個peopleDetected類來實(shí)現(xiàn)人臉的身份識別，重新封裝后的代碼和前面代碼稍有差異，具體設(shè)計(jì)如下：

classpeopleDetected:

def__init__(self,trainImgPath):

self.threshold=6000

self.model=cv2.createFisherFaceRecognizer()

self.trainModel('./usrImg')

#loadalluserimgcreateTraintable

#imgPathisuserimgpath

deftrainModel(self,trainImgPath):

names=[]

lables=[]

userImgDir=os.listdir(trainImgPath)

#print(userImgDir)

forimgDirinuserImgDir:

print("userIDdiris:")

#print(imgDir)

format="%s/%s"

values=(trainImgPath,imgDir)

dirPath=format%values

#findcurrentuserimg

allimgPath=os.listdir(dirPath)

#print(allimgPath)

fornameinallimgPath:

names.append(dirPath+'/'+name)

lables.append(int(imgDir))

print("savesucessful:")

print(names)

print(lables)

#returnnames,lables

trainImg=[]

forimgloadPathinnames:

obj=cv2.resize(cv2.imread(imgloadPath,0),(400,500))

trainImg.append(obj)

self.model.train(trainImg,np.array(lables))

print(lables)

defgetPeopleID(self,faceImgPath):

faceImg=cv2.imread(faceImgPath,0)

face=cv2.resize(faceImg,(400,500))

result=self.model.predict(face)

predictID=result[0]

predictError=result[1]

print(predictID)

print(predictError)

#print(result)

ifpredictError>self.threshold:

return-1

else:

print("getpeopleID")

returnpredictID

defgetPeopleID2(self,faceImg):

face=cv2.resize(faceImg,(400,500))

result=self.model.predict(face)

predictID=result[0]

predictError=result[1]

#print(predictID)

#print(predictError)

#print(result)

ifpredictError>self.threshold:

return-1

else:

returnpredictID

有了這兩個類，我們就可以方便的構(gòu)建魔鏡的人臉身份識別子模塊了，這里我們只需要通過下面的代碼就可以使用人臉檢測和進(jìn)行人臉身份識別了：

GF=getFace()

rs=G