本篇測評由電子工程世界的優秀測評者“流行科技”提供。

此次測試的開源項目，是基于QT+OpenCV的人臉識別打卡項目。本次體驗使用的是開源的代碼，此代碼本來是運行在WIN下的，為了測試稍微進行了修改，讓其運行在米爾iMX8M Plus開發板上。

測試項目實際是分了兩個工程，一個工程是作為管理員控制功能使用，添加人臉信息。同時也可以查詢到打卡記錄，對從機進行下發通知等等。

人臉識別我們主要需要用到opencv的人臉檢測分類器。

OpenCV編譯完成后已經提供好了的。

因為這里還需要涉及到訓練模型，有了模型后才能更好地識別，所以還是簡單介紹下怎么訓練的吧。

CascadeClassifier cascada;

//將opencv官方訓練好的人臉識別分類器拷貝到自己的工程目錄中

cascada.load("F:videoccchaarcascade_frontalface_alt2.xml");

VideoCapture cap(1); //0表示電腦自帶的，如果用一個外接攝像頭，將0變成1

Mat frame, myFace;

int pic_num = 1;

while (1) {

//攝像頭讀圖像

cap >> frame;

vector faces;//vector容器存檢測到的faces

Mat frame_gray;

cvtColor(frame, frame_gray, COLOR_BGR2GRAY);//轉灰度化，減少運算

cascada.detectMultiScale(frame_gray, faces, 1.1, 4, CV_HAAR_DO_ROUGH_SEARCH, Size(70, 70), Size(1000, 1000));

printf("檢測到人臉個數：%dn", faces.size());

//識別到的臉用矩形圈出

for (int i = 0; i < faces.size(); i++)

{

rectangle(frame, faces, Scalar(255, 0, 0), 2, 8, 0);

}

//當只有一個人臉時，開始拍照

if (faces.size() == 1)

{

Mat faceROI = frame_gray(faces[0]);//在灰度圖中將圈出的臉所在區域裁剪出

//cout << faces[0].x << endl;//測試下face[0].x

resize(faceROI, myFace, Size(92, 112));//將興趣域size為92*112

putText(frame, to_string(pic_num), faces[0].tl(), 3, 1.2, (0, 0, 225), 2, 0);//在 faces[0].tl()的左上角上面寫序號

string filename = format("F:video%d.jpg", pic_num); //圖片的存放位置，frmat的用法跟QString差不多

imwrite(filename, myFace);//存在當前目錄下

imshow(filename, myFace);//顯示下size后的臉

waitKey(500);//等待500us

destroyWindow(filename);//:銷毀指定的窗口

pic_num++;//序號加1

if (pic_num == 11)

{

return 0;//當序號為11時退出循環,一共拍10張照片

}

}

int c = waitKey(10);

if ((char)c == 27) { break; } //10us內輸入esc則退出循環

imshow("frame", frame);//顯示視頻流

waitKey(100);//等待100us

}

return 0;

通過上面的代碼，完成圖像采集。

//讀取你的CSV文件路徑.

//string fn_csv = string(argv[1]);

string fn_csv = "F:videocccat.txt";

// 2個容器來存放圖像數據和對應的標簽

vector images;

vector labels;

// 讀取數據. 如果文件不合法就會出錯

// 輸入的文件名已經有了.

try

{

read_csv(fn_csv, images, labels); //從csv文件中批量讀取訓練數據

}

catch (cv::Exception& e)

{

cerr << "Error opening file "" << fn_csv << "". Reason: " << e.msg << endl;

// 文件有問題，我們啥也做不了了，退出了

exit(1);

}

// 如果沒有讀取到足夠圖片，也退出.

if (images.size() <= 1) {

string error_message = "This demo needs at least 2 images to work. Please add more images to your data set!";

CV_Error(CV_StsError, error_message);

}

for (int i = 0; i < images.size(); i++)

{

//cout<();<>

if (images.size() != Size(92, 112))

{

cout << i << endl;

cout << images.size() << endl;

}

}

// 下面的幾行代碼僅僅是從你的數據集中移除最后一張圖片，作為測試圖片

//[gm:自然這里需要根據自己的需要修改，他這里簡化了很多問題]

Mat testSample = images[images.size() - 1];

int testLabel = labels[labels.size() - 1];

images.pop_back();//刪除最后一張照片，此照片作為測試圖片

labels.pop_back();//刪除最有一張照片的labels

// 下面幾行創建了一個特征臉模型用于人臉識別，

// 通過CSV文件讀取的圖像和標簽訓練它。

// T這里是一個完整的PCA變換

//如果你只想保留10個主成分，使用如下代碼

// cv::createEigenFaceRecognizer(10);

//

// 如果你還希望使用置信度閾值來初始化，使用以下語句：

// cv::createEigenFaceRecognizer(10, 123.0);

//

// 如果你使用所有特征并且使用一個閾值，使用以下語句：

// cv::createEigenFaceRecognizer(0, 123.0);

//創建一個PCA人臉分類器，暫時命名為model吧，創建完成后

//調用其中的成員函數train()來完成分類器的訓練

Ptr model = face::EigenFaceRecognizer::create();

model->train(images, labels);

model->save("MyFacePCAModel.xml");//保存路徑可自己設置，但注意用“”

Ptr model1 = face::FisherFaceRecognizer::create();

model1->train(images, labels);

model1->save("MyFaceFisherModel.xml");

Ptr model2 = face::LBPHFaceRecognizer::create();

model2->train(images, labels);

model2->save("MyFaceLBPHModel.xml");

// 下面對測試圖像進行預測，predictedLabel是預測標簽結果

//注意predict()入口參數必須為單通道灰度圖像，如果圖像類型不符，需要先進行轉換

//predict()函數返回一個整形變量作為識別標簽

int predictedLabel = model->predict(testSample);//加載分類器

int predictedLabel1 = model1->predict(testSample);

int predictedLabel2 = model2->predict(testSample);

// 還有一種調用方式，可以獲取結果同時得到閾值:

// int predictedLabel = -1;

// double confidence = 0.0;

// model->predict(testSample, predictedLabel, confidence);

string result_message = format("Predicted class = %d / Actual class = %d.", predictedLabel, testLabel);

string result_message1 = format("Predicted class = %d / Actual class = %d.", predictedLabel1, testLabel);

string result_message2 = format("Predicted class = %d / Actual class = %d.", predictedLabel2, testLabel);

cout << result_message << endl;

cout << result_message1 << endl;

cout << result_message2 << endl;

getchar();

//waitKey(0);

return 0;

通過上面的代碼進行訓練，訓練使用了python。所以系統環境需要配置好。

在此文件中，把我們采集到的圖像，放進去，新建一個文件夾。

之后就是把我們的at.txt也加入我們的文件。

訓練好后，我們就得到了我們所需要的訓練文件。

在我們打卡界面，點擊打卡時就是這樣的。加載訓練好的東西。然后啟動定時器，去獲取攝像頭信號，然后對比，最終和數據庫一致就認為打卡成功。

上面訓練部分，其實提供的另一個工程就全部完成了。

這是我們win端界面，圓框就是我們攝像頭采集圖像顯示的位置。

我們需要在Ubuntu下把庫全部替換，這樣就能編譯過了，然后拷貝到開發板上運行。如下：

進來就提示數據庫打開失敗了，我們這個都是基于數據庫，所以還是比較尷尬的，后期的話可以嘗試自己全部編譯下，然后更新吧。目前就測試，看下效果吧。

使用的硬件增加了一個攝像頭。

這是打開攝像頭采集的樣子。

這個GIF展示了我們的人臉檢測情況。

由于沒有數據庫，只能打印一些信息。當兩個數據相等時就進入下一步，判斷打卡了。由于沒有數據庫，就展示下電腦端的效果吧。

審核編輯：符乾江