OpenCV 在树莓派上进行实时人脸检测

这段 Python 代码借助 OpenCV 库实现了在树莓派上进行实时人脸检测的功能。它会开启摄像头捕获视频帧,在每一帧里检测人脸并以矩形框标记出来,同时在画面上显示帧率(FPS)。

依赖库

  • cv2:OpenCV 库,用于计算机视觉任务,像图像读取、处理以及人脸检测等。
  • time:用于计算帧率。

全局变量

  • HAAR_PATH:Haar 级联分类器文件的路径,此文件用于人脸检测。这里给出了两个可能的路径,你要依据实际情况选择其中一个。

函数说明

detect_faces()

该函数的功能是开启摄像头,持续捕获视频帧,在每一帧中检测人脸并进行标记,最后显示带有标记和帧率的视频画面。

详细步骤:
  1. 摄像头初始化

    python

复制代码
  cap = cv2.VideoCapture(0)
  cap.set(3, 640)  # 设置宽度
  cap.set(4, 480)  # 设置高度

运用cv2.VideoCapture(0)开启树莓派的摄像头,并且将视频帧的宽度设定为 640 像素,高度设定为 480 像素。

  • 加载分类器

    python

复制代码
  face_cascade = cv2.CascadeClassifier(HAAR_PATH)

借助cv2.CascadeClassifier加载 Haar 级联分类器文件,以此来进行人脸检测。

  • 循环捕获并处理视频帧

    python

复制代码
  while True:
      start_time = time.time()
      ret, frame = cap.read()
      if not ret:
          break

持续捕获视频帧,直至无法成功读取帧为止。在每次循环开始时记录当前时间,用于后续计算帧率。

  • 图像优化

    python

复制代码
  small_frame = cv2.resize(frame, (0,0), fx=0.5, fy=0.5)
  gray = cv2.cvtColor(small_frame, cv2.COLOR_BGR2GRAY)

为了提升树莓派的处理速度,把视频帧缩小为原来的一半,然后将其转换为灰度图像,因为人脸检测在灰度图像上进行会更高效。

  • 人脸检测

    python

复制代码
  faces = face_cascade.detectMultiScale(
      gray,
      scaleFactor=1.05,  # 降低以提升准确率
      minNeighbors=5,
      minSize=(30, 30),
      flags=cv2.CASCADE_SCALE_IMAGE
  )

利用detectMultiScale方法在灰度图像中检测人脸。scaleFactor参数设定图像缩放比例,minNeighbors参数表示每个候选矩形应该保留的邻居数,minSize参数规定检测到的人脸的最小尺寸。

  • 还原坐标并标记人脸

    python

复制代码
  for (x, y, w, h) in faces:
      x, y, w, h = x*2, y*2, w*2, h*2
      cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2)

由于之前对图像进行了缩小处理,所以需要把检测到的人脸坐标还原到原始图像尺寸,接着使用cv2.rectangle方法在原始图像上绘制绿色矩形框标记人脸。

  • 显示帧率

    python

复制代码
  fps = 1.0 / (time.time() - start_time)
  cv2.putText(frame, f"FPS: {fps:.1f}", (10, 30),
             cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2)

依据开始时间和当前时间计算帧率,再使用cv2.putText方法在图像上显示帧率。

  • 显示图像并处理退出事件

    python

复制代码
  cv2.imshow('Raspberry Pi Face Detection', frame)
  if cv2.waitKey(1) & 0xFF == ord('q'):
      break

显示带有标记和帧率的图像,当用户按下q键时,退出循环。

  • 释放资源

    python

复制代码
   cap.release()
   cv2.destroyAllWindows()

释放摄像头资源,关闭所有 OpenCV 窗口。

主程序

python

复制代码
if __name__ == "__main__":
    detect_faces()

当脚本作为主程序运行时,调用detect_faces函数开始进行人脸检测。

完整代码

python 复制代码
import cv2
import time

# 选择最佳路径(根据你的实际情况取消注释一个)
HAAR_PATH = "/usr/local/share/opencv4/haarcascades/haarcascade_frontalface_default.xml"  # 推荐
# HAAR_PATH = "/home/chen/myenv/lib/python3.11/site-packages/cv2/data/haarcascade_frontalface_default.xml"

def detect_faces():
    # 初始化摄像头(树莓派专用相机设置)
    cap = cv2.VideoCapture(0)
    cap.set(3, 640)  # 设置宽度
    cap.set(4, 480)  # 设置高度
    
    # 加载分类器
    face_cascade = cv2.CascadeClassifier(HAAR_PATH)
    
    while True:
        start_time = time.time()
        ret, frame = cap.read()
        if not ret:
            break
            
        # 树莓派优化:缩小图像提高检测速度
        small_frame = cv2.resize(frame, (0,0), fx=0.5, fy=0.5)
        gray = cv2.cvtColor(small_frame, cv2.COLOR_BGR2GRAY)
        
        # 检测人脸(优化参数)
        faces = face_cascade.detectMultiScale(
            gray,
            scaleFactor=1.05,  # 降低以提升准确率
            minNeighbors=5,
            minSize=(30, 30),
            flags=cv2.CASCADE_SCALE_IMAGE
        )
        
        # 还原坐标到原始图像尺寸
        for (x, y, w, h) in faces:
            x, y, w, h = x*2, y*2, w*2, h*2
            cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2)
        
        # 显示FPS(帧率)
        fps = 1.0 / (time.time() - start_time)
        cv2.putText(frame, f"FPS: {fps:.1f}", (10, 30),
                   cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2)
        
        cv2.imshow('Raspberry Pi Face Detection', frame)
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break

    cap.release()
    cv2.destroyAllWindows()

if __name__ == "__main__":
    detect_faces()
相关推荐
脑洞专家3 分钟前
基于改进的点线融合和关键帧选择的视觉SLAM 方法
人工智能·机器学习·计算机视觉
明月看潮生1 小时前
青少年编程与数学 02-015 大学数学知识点 09课题、专业相关性分析
人工智能·青少年编程·数据科学·编程与数学·大学数学
奋斗者1号2 小时前
嵌入式AI开源生态指南:从框架到应用的全面解析
人工智能·开源
Milton2 小时前
图像处理中的 Gaussina Blur 和 SIFT 算法
opencv·sift·computer graphics
果冻人工智能3 小时前
如何对LLM大型语言模型进行评估与基准测试
人工智能
摆烂仙君3 小时前
基于α-β剪枝的含禁手AI五子棋
人工智能·机器学习·剪枝
weixin_445238123 小时前
Pytorch|RNN-心脏病预测
人工智能·pytorch·rnn
fantasy_43 小时前
LLM-大语言模型浅谈
人工智能·ai·语言模型·deep learning
嘻嘻哈哈开森4 小时前
从零开始学习模型蒸馏
人工智能·后端
Thomas_Cai4 小时前
Bert论文解析
人工智能·深度学习·nlp·bert·transformer