用GPT零负担学单片机之点亮一颗cpu 第3节 训练or特征匹配？用GPT开发嵌入式

杰哥嵌入式开发2024-12-08 21:43

用GPT零负担学单片机之点亮一颗cpu

第3节 训练or特征匹配？AI写代码

大家好,我是小杰学长

如果你是大学生 遇到电子技术 学习 成长 入行难题

我曾经通过大学比赛赚钱 从事嵌入式AI 航天军工

用特别的学习和求职方法线下半年带50+学弟学妹入行开发

主页佳喔威信，给你提供一定资源和战略方法上的帮助

相信我的职业经历的专业性，一定能帮到你
我的gitee仓库分享 海量嵌入式资源入行求职技巧-->

目录

  • [1. 概述](#1. 概述)
  • [2. 神经网络和机器视觉](#2. 神经网络和机器视觉)
  • [3. 用ai写ai代码](#3. 用ai写ai代码)
  • [4. 参考博客和lvgl桌面应用](#4. 参考博客和lvgl桌面应用)
  • [5. 结语](#5. 结语)
  • [6. 资源下载地址](#6. 资源下载地址)

1. 概述

哈喽 让大家久等了

上一节课和大家说一周后见

结果因为主页工作忙 鸽了两周

但是只要一有空我也没有闲着

一直在翻阅visionboard的博客

visionboard的例程文档不多

但是作品创作博客不少

话不多说 简述本章主题

相对内容较多且杂 但是有所进展 但进展不大

哈哈哈哈哈哈

从主题可以看出来

人脸识别 是要通过训练得到高精度人脸识别效果

还是使用传统的Eigen\fisher\LBPH

等传统机器视觉提取关键特征识别

这是个问题

最后我选择了在漫长等待训练的过程中

转而选择了传统的机器视觉提取关键特征识别

嘻嘻！！！

并且发现已经有人用visionboard

完成了LBP人脸识别考勤机

但是在一次次犹豫中

还是不搬运吧

第二个事

既然要从AI人脸识别

为什么不同AI工具自己写代码呢？

所以用起了Cursor工具

让他自己从0-1实现这个项目

第三个事

visionboard的官方例程、文档、教程不多

所以我在用一些硬件的时候卡了我很多时间

但是在一些作品博客中找到了使用方法

最后一个事

安装了LVGL上位机

为后面的UI开发做准备

2. 神经网络和机器视觉

玩过openMV的小伙伴应该都知道edgeImpule

那天我在搜集自拍样本和训练准备到自闭的时候

突然想到上次在写机器学习博客的时候

有提到过传统的人脸识别机器视觉算法

图中可以看到我对这几个算法的简介

对上图博客感兴趣的记得主页佳喔威信

后续能第一时间获取更新博客和课程资料

于是我在漫长等待训练的过程中

转而选择了传统的机器视觉提取关键特征识别

在omv的官方文档中我找到了如下API：

开始肝代码：

这个是我自己测试实现的

注释齐全

后面加了一些其他代码

运行不起来 就自行调试

py 复制代码 
import sensor
import os
import time
import image
import machine
import lcd
from machine import Pin
from face_recg import match_face, register_face
def LED_INIT():
    #led init
    led_green = machine.LED("LED_GREEN")
    led_red = machine.LED("LED_RED")
    led_blue = machine.LED("LED_BLUE")
def LED_BLACK():
    led_green.off()
    led_blue.off()
    led_red.off()
def LED_WHITE():
    led_green.on()
    led_blue.on()
    led_red.on()
def LED_RED():
    led_green.off()
    led_blue.off()
    led_red.on()
def LED_BLUE():
    led_blue.on()
    led_green.off()
    led_red.off()
def LED_GREEN():
    led_blue.off()
    led_green.on()
    led_red.off()
LED_WHITE()
time.sleep(1)
LED_BLACK()
time.sleep(1)
LED_WHITE()
time.sleep(1)
LED_BLACK()
# Initialize the lcd screen.
lcd.init()
#文件夹初始化
try:
    os.mkdir(rootpath)
except:
    print(os.listdir("/"))
#按键初始化
key_flag = 0
def key0_func(v):
    global key_flag
    if key_flag == 0:
        LED_WHITE()
        key_flag = 1
    else:
        LED_BLACK()
        key_flag = 0
key_0 = Pin(("key_0", 0x907))
key_0.irq(trigger=Pin.IRQ_RISING, handler=key0_func)

sensor.reset()  # Reset and initialize the sensor.
# Sensor settings
sensor.set_contrast(3)
sensor.set_gainceiling(16)

# HQVGA and GRAYSCALE are the best for face tracking.
sensor.set_framesize(sensor.HQVGA)
sensor.set_pixformat(sensor.RGB565)  # Set pixel format to RGB565 (or GRAYSCALE)
sensor.set_vflip(True)
sensor.set_hmirror(True)
sensor.skip_frames(time=2000)  # Wait for settings take effect.

# Load Haar Cascade
# By default this will use all stages, lower satges is faster but less accurate.
face_cascade = image.HaarCascade("frontalface", stages=25)
print(face_cascade)

print('loop start')
clock = time.clock()  # Create a clock object to track the FPS.
while True :
    res = "NONE"
    clock.tick()  # Update the FPS clock.
    img = sensor.snapshot()  # Take a picture and return the image.
    img_gray = img.copy().to_grayscale()
    if key_flag == 0:
#        人脸识别
        # Find objects.
        # Note: Lower scale factor scales-down the image more and detects smaller objects.
        # Higher threshold results in a higher detection rate, with more false positives.
        objects = img_gray.find_features(face_cascade, threshold=0.75, scale_factor=1.25)

        if len(objects) == 1:
            LED_GREEN()
            # Draw objects
            img.draw_rectangle( objects[0], color=(0,255,0))
#            for x, y, w, h in objects:
#                img.draw_rectangle( (x, y, w, h), color=(0,255,0))
#                img.draw_string(x, y, "M", color=(0,255,0), scale=3, mono_space=False)
            src_lbp = img_gray.find_lbp(objects[0])
            res = match_face(src_lbp)
        else:
            LED_BLACK()
    else:
#        人脸注册
        ...
    img.draw_string(0, 0, "FPS"+str(int(clock.fps()))+" "+res, color=(0,255,0), scale=1, mono_space=False)
    lcd.display(img) # Take a picture and display the image.
def match_face(src_lbp):  # 人脸识别
    dir_lists = os.listdir(rootpath)  # 路径下文件夹
    dir_num = len(dir_lists)          # 文件夹数量
#    print("Total %d Folders -> %s"%(dir_num, str(dir_lists)))
    for i in range(0, dir_num):
        item_lists = os.listdir(rootpath+'/'+dir_lists[i])  # 路径下文件
#        print("The %d Folder[%s], Total %d Files -> %s" %(i+1, dir_lists[i], item_num, str(item_lists)))
        for j in item_lists:  # 文件依次对比
#            debug(">> Current File: " + item_lists[j])
            try:
                img = image.Image("/orl_faces/%s/%s" % (dir_lists[i], item_lists[j]), copy_to_fb=True)
            except Exception as e:
                debug(e)
                break
            d1 = img.find_lbp((0, 0, img.width(), img.height()))  # 提取特征值
            dist = image.match_descriptor(src_lbp, d1)                 # 计算差异度
            debug(">> Difference Degree: " + str(dist))
            if dist < DIST_THRESHOLD:
                debug(">> ** Find It! **")
                green.on()
                time.sleep(1000)
                green.off()
                return item_lists[j]
    debug(">> ** No Match! **")
    return 0
def register_face(face_cascade, img):
    # ...
   global REGISTER_MODE
   if find(face_cascade, img) == 1:
       debug(">> Existing without registration!")
       REGISTER_MODE = 0
       return 0
   dir_lists = os.listdir(rootpath)  # 路径下文件夹
   dir_num = len(dir_lists)          # 文件夹数量
   new_dir = ("%s/%d") % (rootpath, int(dir_num)+1)
   os.mkdir(new_dir)                 # 创建文件夹
   cnt = 5  # 拍摄5次图片
   while cnt:
       img = sensor.snapshot()
       objects = img.find_features(face_cascade, threshold=0.75, scale_factor=1.25)  # 人脸检测
       if objects:
           width_old = 0
           height_old = 0
           index = 0
           for r in objects:  # 寻找最大的face
               if r[2] > width_old and r[3] > height_old:
                   width_old = r[2]
                   height_old = r[3]
                   index += 1
           index -= 1
           #print("index:", index)
           item_lists = os.listdir(new_dir)  # 新路径下文件
           item_num = len(item_lists)        # 文件数量
           img.save("%s/%d.pgm" % (new_dir, item_num))  # 写入文件
           debug(">> [%d]Regist OK!" % cnt)
           img.draw_rectangle(objects[index])
           green.on()
           time.sleep(50)
           green.off()
           cnt -= 1
           if cnt==0:
               green.on()
               time.sleep(1000)
               green.off()
       REGISTER_MODE = 0

3. 用AI写AI代码

既然要从AI人脸识别

为什么不用AI工具自己写代码呢？

所以用起了Cursor工具

让他基于我上面写的测试代码

从0-1实现这个项目

大家感兴趣代码的生成过程

可以关注我的短视频自媒体

b站 嵌入式男友杰哥

抖音 小杰学长

不过想让ai帮我们写好一个可以跑的代码

确实需要很好的文字表达功底

以下代码还没验证

但是过程基本是没什么毛病

等下期注册人脸的博客实现了

我在一起调好

py 复制代码 
import sensor
import os
import time
import image
import lcd
from machine import Pin
from led import LED_BLACK,LED_WHITE,LED_RED,LED_BLUE,LED_GREEN

LED_WHITE()
time.sleep(1)
LED_BLACK()
time.sleep(1)
LED_WHITE()
time.sleep(1)
LED_BLACK()

# Initialize the lcd screen.
lcd.init()

#文件夹初始化
rootpath = "/orl_faces"
print(os.listdir(rootpath))
#按键初始化
key_flag = 0
def key0_func(v):
    global key_flag
    if key_flag == 0:
        LED_WHITE()
        key_flag = 1
    else:
        LED_BLACK()
        key_flag = 0
key_0 = Pin(("key_0", 0x907))
key_0.irq(trigger=Pin.IRQ_RISING, handler=key0_func)

sensor.reset()  # Reset and initialize the sensor.
# Sensor settings
sensor.set_contrast(3)
sensor.set_gainceiling(16)

# HQVGA and GRAYSCALE are the best for face tracking.
sensor.set_framesize(sensor.HQVGA)
sensor.set_pixformat(sensor.RGB565)  # Set pixel format to RGB565 (or GRAYSCALE)
sensor.set_vflip(True)
sensor.set_hmirror(True)
sensor.skip_frames(time=2000)  # Wait for settings take effect.

# Load Haar Cascade
# By default this will use all stages, lower satges is faster but less accurate.
face_cascade = image.HaarCascade("frontalface", stages=25)
# ----------------------
# 在文件开头添加全局变量
face_descriptors = {}  # 格式: {'person_name': [descriptor1, descriptor2, descriptor3]}

# 修改加载人脸特征描述符的函数
def load_face_descriptors():
    global face_descriptors
    for person_name in os.listdir(rootpath):
        person_path = os.path.join(rootpath, person_name)
        if os.path.isdir(person_path):
            face_descriptors[person_name] = []
            # 遍历文件夹中的所有描述符文件
            for file in os.listdir(person_path):
                if file.endswith('.bin'):
                    descriptor_path = os.path.join(person_path, file)
                    descriptor = image.load_descriptor(descriptor_path)
                    face_descriptors[person_name].append(descriptor)
            print(f"Loaded {len(face_descriptors[person_name])} descriptors for {person_name}")

# 在主循环开始前添加
load_face_descriptors()  # 程序启动时加载所有已存储的人脸特征
# -------------
# 修改人脸匹配函数
def match_face(src_lbp):
    min_diff = float('inf')
    matched_name = "NONE"
    
    for name, descriptors in face_descriptors.items():
        # 对每个人的所有特征描述符进行匹配
        for descriptor in descriptors:
            diff = image.match_descriptor(src_lbp, descriptor, threshold=70, filter_outliers=False)
            if diff < min_diff:
                min_diff = diff
                matched_name = name
    
    # 设置一个阈值，如果差异度太大，则认为是未知人脸
    if min_diff > 70:
        return f"NONE"
    return f"{matched_name}({min_diff})"

clock = time.clock()  # Create a clock object to track the FPS.
while True :
    res = "NONE"
    clock.tick()  # Update the FPS clock.
    img = sensor.snapshot()  # Take a picture and return the image.
    img_gray = img.copy().to_grayscale()
    if key_flag == 1:
        LED_GREEN()
        # Find objects.
        # Note: Lower scale factor scales-down the image more and detects smaller objects.
        # Higher threshold results in a higher detection rate, with more false positives.
        objects = img_gray.find_features(face_cascade, threshold=0.75, scale_factor=1.25)
        # 首先找到人脸
        if len(objects) == 1:
            # Draw objects
            img.draw_rectangle( objects[0], color=(0,255,0))
#            for x, y, w, h in objects:
#                img.draw_rectangle( (x, y, w, h), color=(0,255,0))
#                img.draw_string(x, y, "M", color=(0,255,0), scale=3, mono_space=False)
            src_lbp = img_gray.find_lbp(objects[0])
            res = match_face(src_lbp)
            # 识别完成后关闭识别功能
            if res=="NONE":
                key_flag = 0
            LED_WHITE()
        else:
            LED_BLACK()

    img.draw_string(0, 0, "FPS"+str(int(clock.fps()))+" "+res, color=(0,255,0), scale=1, mono_space=False)
    lcd.display(img) # Take a picture and display the image.

4. 参考博客和LVGL桌面应用

触摸屏和LVGL
用户按键

LVGL桌面应用 GUI-guider

下载安装就不需要我教了吧！！！

5. 结语

下周见

太叼了！！！

相关推荐
可待电子单片机设计定制（论文）2 小时前
【STM32设计】数控直流稳压电源的设计与实现（实物+资料+论文）
stm32·嵌入式硬件·mongodb
march_birds2 小时前
FreeRTOS 与 RT-Thread 事件组对比分析
c语言·单片机·算法·系统架构
小麦嵌入式3 小时前
Linux驱动开发实战（十一）：GPIO子系统深度解析与RGB LED驱动实践
linux·c语言·驱动开发·stm32·嵌入式硬件·物联网·ubuntu
触角010100014 小时前
STM32F103低功耗模式深度解析：从理论到应用实践（上） | 零基础入门STM32第九十二步
驱动开发·stm32·单片机·嵌入式硬件·物联网
昊虹AI笔记5 小时前
使用STM32CubeMX和Keil在STM32上创建并运行一个简单的FreeRTOS多任务程序
stm32·单片机·嵌入式硬件
王光环5 小时前
单片机使用printf，不用微库
单片机·嵌入式硬件
LS_learner6 小时前
小智机器人关键函数解析，Application::OutputAudio()处理音频数据的输出的函数
人工智能·嵌入式硬件
西城微科方案开发6 小时前
体重秤PCBA电路方案组成结构
单片机·嵌入式硬件
深圳市青牛科技实业有限公司6 小时前
「青牛科技 」GC4931P/4938/4939 12-24V三相有感电机驱动芯片 对标Allegro A4931/瑞盟MS4931
科技·单片机·扫地机器人吸尘·筋膜枪电机·驱动轮电机·服务机器人驱动轮电机·工业机器人减速电机
集和诚JHCTECH6 小时前
集和诚携手Intel重磅发布BRAV-7820边缘计算新品，为车路云一体化场景提供强大算力支撑
人工智能·嵌入式硬件·边缘计算
热门推荐
01我决定放弃搞 Java 了02DeepSeek各版本说明与优缺点分析03如何在WPS和Word/Excel中直接使用DeepSeek功能04RAG 实践- Ollama+RagFlow 部署本地知识库05苍穹外卖面试总结06从零安装 LLaMA-Factory 微调 Qwen 大模型成功及所有的坑07本地化部署AI知识库：基于Ollama+DeepSeek+AnythingLLM保姆级教程08DeepSeek R1本地化部署 Ollama + Chatbox 打造最强 AI 工具09如何本地部署AI智能体平台，带你手搓一个AI Agent10循环神经网络RNN（含LSTM，GRU）小综述