تشخیص چهره به همراه اضافه کردن تصویر های متعدد به همراه موتور های متفاوت تشخیص چهره

بار ها شده که خواستید یک پروژه پردازش تصویر انجام بدید اما بدلیل پیچیدگی زیادی که داره شاید خیلی از شما ها از انجام این کار صرف نظر کردید اما در این مقاله می‌خواهیم با استفاده از کتابخونه Opencv، پروژه تشخیص چهره رو انجام بدیم البته این روش هم پیچیدگی‌های خاص خودش را داره اما بسیار کار را آسونتر می‌کنه و میشه گفت که پیچیده ترین قسمت کار نصب کتابخونه است.

شاید برای شما مفید باشد: آموزش رزبری پای از 0 تا 100 از مقدماتی تا پیشرفته

برای انجام یک پروژه تشخیص چهره با Opencv باید دو مرحله رو مدنظر داشته باشیم.

اولین مرحله، برای انجام یک پروژه با Opencv نیازه که این کتابخونه نصب شده باشه. فرایند نصب رو می‌تونید از اینجا مطالعه کنید.

دومین مرحله، نوشتن کد موردنظر.

سومین مرحله، آماده سازی سخت افزار های مربوطه

چهارمین مرحله، تست سخت افزارمونه

دقت کنید کد‌ی که نوشته شده به زبان پایتونه.

هدف از انجام این پروژه راه اندازی موارد زیر است.

اضافه کردن تصویر
شناسایی تصویر
استفاده از موتورهای شناسایی

فقط قبل از اینکه وارد بحث شیرین کدنویسی بشیم لازمه که دوربین RaspberryPi رو فعال سازی کنیم برای اینکار هم اینجا کلیک کنید.

خب بریم که کد بنویسیم (انصافا یکی از بهترین ساعات زندگی یه مهندس الکترونیک همین موقع است)

کدنویسی

import sys
import os
جهت دسترسی به دستورات لینوکس در محیط ادیتور پایتون است 
import numpy as np
from face_recognition_system.videocamera import VideoCamera
from face_recognition_system.detectors import FaceDetector
import face_recognition_system.operations as op
import cv2
from cv2 import __version__
اضافه کردن کتابخانه های مورد نیاز که مستلزم نصب کتابخانه پردازش تصویراست

def get_images(frame, faces_coord, shape):
    """ Perfrom transformation on original and face images.

    This function draws the countour around the found face given by faces_coord
    and also cuts the face from the original image. Returns both images.
    """
    if shape == "rectangle":
        faces_img = op.cut_face_rectangle(frame, faces_coord)
        frame = op.draw_face_rectangle(frame, faces_coord)
    faces_img = op.normalize_intensity(faces_img)
    faces_img = op.resize(faces_img)
    return (frame, faces_img)
این تابع کار دریافت اطلاعات تصویر و در نهایت دریافت خود تصویر راانجام می‌دهد.

def add_person(people_folder, shape):
    """ Funtion to add pictures of a person
    """
    person_name = input('What is the name of the new person: ').lower()
    folder = people_folder + person_name
    if not os.path.exists(folder):
        input("I will now take 20 pictures. Press ENTER when ready.")
        os.mkdir(folder)
        video = VideoCamera()
        detector = FaceDetector('face_recognition_system/frontal_face.xml')
        counter = 1
        timer = 0
        cv2.namedWindow('Video Feed', cv2.WINDOW_AUTOSIZE)
        cv2.namedWindow('Saved Face', cv2.WINDOW_NORMAL)
        while counter < 21:
            frame = video.get_frame()
            face_coord = detector.detect(frame)
            if len(face_coord):
                frame, face_img = get_images(frame, face_coord, shape)
                # save a face every second, we start from an offset '5' because
                # the first frame of the camera gets very high intensity
                # readings.
                if timer % 100 == 5:
                    cv2.imwrite(folder + '/' + str(counter) + '.jpg',
                                face_img[0])
                    print ('Images Saved:' + str(counter))
                    counter += 1
                    cv2.imshow('Saved Face', face_img[0])

            cv2.imshow('Video Feed', frame)
            cv2.waitKey(50)
            timer += 5
    else:
        print ("This name already exists.")
        sys.exit()
این تابع کاراضافه کردن تصویر راانجام می‌دهد و نحوه عملکردآن اینگونه است که اگر برای
اولین باراین کارراانجام می‌دهید ایتدا یک اسم شخص و سپس 20 عکس از زوایای مختلف از شما میگیرد 
و در مرحله بعد عکس به صورت خودکار به ادرس فولدری که در سیستم عامل تعیین کردیم ذخیره می‌شود. 

def recognize_people(people_folder, shape):
    """ Start recognizing people in a live stream with your webcam
    """
    try:
        people = [person for person in os.listdir(people_folder)]
    except:
        print ("Have you added at least one person to the system?")
        sys.exit()
    print ("This are the people in the Recognition System:")
    for person in people:
        print ("-" + person)
این تابع کار شناسایی تصویر رااز ادرس فولدری که تصاویر را درآن ذخیره کردیم برعهده دارد.
    print (30 * '-')
    print ("   POSSIBLE RECOGNIZERS TO USE")
    print (30 * '-')
    print ("1. EigenFaces")
    print ("2. FisherFaces")
    print ("3. LBPHFaces")
    print (30 * '-')
این قسمت استفاده از موتور های شناسایی است که همگی در همین کتابخانه است و انتخاب هر کدام از موتور ها به صورت
کاملا دلخواه است واینم بگم که هر کدوم کاربرد خاص خودشون رو دارند
(برای این پروژه از هر کدوم استفاده کردید خیلی فرقی نداره، هدف طرز استفاده و آشنایی با این موتور ها بوده)
    choice = check_choice()

    # detecting saved imgs

    detector = FaceDetector('face_recognition_system/frontal_face.xml')
    if choice == 1:
        recognizer = cv2.face.createEigenFaceRecognizer())
        threshold = 4000
    elif choice == 2:
        recognizer = cv2.face.createFisherFaceRecognizer()
        threshold = 300
    elif choice == 3:
        recognizer = cv2.face.createLBPHFaceRecognizer()   
        threshold = 80
    images = []
    labels = []
    labels_people = {}
    for i, person in enumerate(people):
        labels_people[i] = person
        for image in os.listdir(people_folder + person):
            images.append(cv2.imread(people_folder + person + '/' + image, 0))
            labels.append(i)
    try:
        recognizer.train(images, np.array(labels))
    except:
        print ("\nOpenCV Error: Do you have at least two people in the database?\n")
        sys.exit()

    video = VideoCamera()
پس از اینکه موتور شناسایی را انتخاب کردیم دوربین برای شناسایی تصویر فعال می‌شود
    while True:
        
        frame = video.get_frame()
        faces_coord = detector.detect(frame, False)
        if len(faces_coord):
            frame, faces_img = get_images(frame, faces_coord, shape)
            for i, face_img in enumerate(faces_img):
                if __version__ == "3.1.0":
                    collector = cv2.face.MinDistancePredictCollector()
                    recognizer.predict(face_img, collector)
                    conf = collector.getDist()
                    pred = collector.getLabel()
                else:
                    pred, conf = recognizer.predict(face_img)
                print ("Prediction: " + str(pred))
                print ('Confidence: ' + str(round(conf)))
                print ('Threshold: ' + str(threshold))
                if conf < threshold:
                    cv2.putText(frame, labels_people[pred].capitalize(),
                                (faces_coord[i][0], faces_coord[i][1] - 2),
                                cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 255, 255), 1,
                                cv2.LINE_AA)
                else:
                    cv2.putText(frame, "Unknown",
                                (faces_coord[i][0], faces_coord[i][1]),
                                cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 255, 255), 1,
                                cv2.LINE_AA)

        cv2.putText(frame, "ESC to exit", (5, frame.shape[0] - 5),
                    cv2.FONT_HERSHEY_SIMPLEX, 1, (255,255, 255), 1, cv2.LINE_AA)
        cv2.imshow('Video', frame)
        if cv2.waitKey(100) & 0xFF == 27:
            sys.exit()
در این قسمت هم فریم ویدیو مورد برسی قرار می‌گیرد و در نهایت پس از اتمام کار خارج می‌گردد
def check_choice():
    """ Check if choice is good
    """
    is_valid = 0
    while not is_valid:
        try:
            choice = int(input('Enter your choice [1-3] : '))
            if choice in [1, 2, 3]:
                is_valid = 1
            else:
                print ("'%d' is not an option.\n" % choice)
        except ValueError:
            print ("%s is not an option.\n" % str(error).split(": ")[1])
    return choice
این قسمت دقیقا مثل یک منو عمل می‌کنه که کاربر می‌تونه گزینه مورد نظر خودش روانتخاب کنه.
if __name__ == '__main__':
    print (30 * '-')
    print ("   POSSIBLE ACTIONS")
    print (30 * '-')
    print ("1. Add person to the recognizer system")
    print ("2. Start recognizer")
    print ("3. Exit")
    print (30 * '-')

    CHOICE = check_choice()

    PEOPLE_FOLDER = "face_recognition_system/people/"
    SHAPE = "rectangle"

    if CHOICE == 1:
        if not os.path.exists(PEOPLE_FOLDER):
            os.makedirs(PEOPLE_FOLDER)
        add_person(PEOPLE_FOLDER, SHAPE)
    elif CHOICE == 2:
        os.system("sudo modprobe bcm2835-v4l2")		# Required for Raspi-Camera Module
        recognize_people(PEOPLE_FOLDER, SHAPE)
    elif CHOICE == 3:
        sys.exit()
این قسمت هم رویداد های گزینه هایی رو که انتخاب کردیم اجرا می‌کنه

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

127

128

129

130

131

132

133

134

135

136

137

138

139

140

141

142

143

144

145

146

147

148

149

150

151

152

153

154

155

156

157

158

159

160

161

162

163

164

165

166

167

168

169

170

171

172

173

174

175

176

177

178

179

180

181

182

183

184

185

186

187

188

189

import sys

import os

جهت دسترسی به دستورات لینوکس در محیط ادیتور پایتون است

import numpy as np

from face_recognition_system.videocamera import VideoCamera

from face_recognition_system.detectors import FaceDetector

import face_recognition_system.operations as op

import cv2

from cv2 import __version__

اضافه کردن کتابخانه های مورد نیاز که مستلزم نصب کتابخانه پردازش تصویراست

def get_images(frame, faces_coord, shape):

""" Perfrom transformation on original and face images.

This function draws the countour around the found face given by faces_coord

and also cuts the face from the original image. Returns both images.

"""

if shape == "rectangle":

faces_img = op.cut_face_rectangle(frame, faces_coord)

frame = op.draw_face_rectangle(frame, faces_coord)

faces_img = op.normalize_intensity(faces_img)

faces_img = op.resize(faces_img)

return (frame, faces_img)

این تابع کار دریافت اطلاعات تصویر و در نهایت دریافت خود تصویر راانجام می‌دهد.

def add_person(people_folder, shape):

""" Funtion to add pictures of a person

"""

person_name = input('What is the name of the new person: ').lower()

folder = people_folder + person_name

if not os.path.exists(folder):

input("I will now take 20 pictures. Press ENTER when ready.")

os.mkdir(folder)

video = VideoCamera()

detector = FaceDetector('face_recognition_system/frontal_face.xml')

counter = 1

timer = 0

cv2.namedWindow('Video Feed', cv2.WINDOW_AUTOSIZE)

cv2.namedWindow('Saved Face', cv2.WINDOW_NORMAL)

while counter < 21:

frame = video.get_frame()

face_coord = detector.detect(frame)

if len(face_coord):

frame, face_img = get_images(frame, face_coord, shape)

# save a face every second, we start from an offset '5' because

# the first frame of the camera gets very high intensity

# readings.

if timer % 100 == 5:

cv2.imwrite(folder + '/' + str(counter) + '.jpg',

face_img[0])

print ('Images Saved:' + str(counter))

counter += 1

cv2.imshow('Saved Face', face_img[0])

cv2.imshow('Video Feed', frame)

cv2.waitKey(50)

timer += 5

else:

print ("This name already exists.")

sys.exit()

این تابع کاراضافه کردن تصویر راانجام می‌دهد و نحوه عملکردآن اینگونه است که اگر برای

اولین باراین کارراانجام می‌دهید ایتدا یک اسم شخص و سپس 20 عکس از زوایای مختلف از شما میگیرد

و در مرحله بعد عکس به صورت خودکار به ادرس فولدری که در سیستم عامل تعیین کردیم ذخیره می‌شود.

def recognize_people(people_folder, shape):

""" Start recognizing people in a live stream with your webcam

"""

try:

people = [person for person in os.listdir(people_folder)]

except:

print ("Have you added at least one person to the system?")

sys.exit()

print ("This are the people in the Recognition System:")

for person in people:

print ("-" + person)

این تابع کار شناسایی تصویر رااز ادرس فولدری که تصاویر را درآن ذخیره کردیم برعهده دارد.

print (30 * '-')

print (" POSSIBLE RECOGNIZERS TO USE")

print (30 * '-')

print ("1. EigenFaces")

print ("2. FisherFaces")

print ("3. LBPHFaces")

print (30 * '-')

این قسمت استفاده از موتور های شناسایی است که همگی در همین کتابخانه است و انتخاب هر کدام از موتور ها به صورت

کاملا دلخواه است واینم بگم که هر کدوم کاربرد خاص خودشون رو دارند

(برای این پروژه از هر کدوم استفاده کردید خیلی فرقی نداره، هدف طرز استفاده و آشنایی با این موتور ها بوده)

choice = check_choice()

# detecting saved imgs

detector = FaceDetector('face_recognition_system/frontal_face.xml')

if choice == 1:

recognizer = cv2.face.createEigenFaceRecognizer())

threshold = 4000

elif choice == 2:

recognizer = cv2.face.createFisherFaceRecognizer()

threshold = 300

elif choice == 3:

recognizer = cv2.face.createLBPHFaceRecognizer()

threshold = 80

images = []

labels = []

labels_people = {}

for i, person in enumerate(people):

labels_people[i] = person

for image in os.listdir(people_folder + person):

images.append(cv2.imread(people_folder + person + '/' + image, 0))

labels.append(i)

try:

recognizer.train(images, np.array(labels))

except:

print ("\nOpenCV Error: Do you have at least two people in the database?\n")

sys.exit()

video = VideoCamera()

پس از اینکه موتور شناسایی را انتخاب کردیم دوربین برای شناسایی تصویر فعال می‌شود

while True:

frame = video.get_frame()

faces_coord = detector.detect(frame, False)

if len(faces_coord):

frame, faces_img = get_images(frame, faces_coord, shape)

for i, face_img in enumerate(faces_img):

if __version__ == "3.1.0":

collector = cv2.face.MinDistancePredictCollector()

recognizer.predict(face_img, collector)

conf = collector.getDist()

pred = collector.getLabel()

else:

pred, conf = recognizer.predict(face_img)

print ("Prediction: " + str(pred))

print ('Confidence: ' + str(round(conf)))

print ('Threshold: ' + str(threshold))

if conf < threshold:

cv2.putText(frame, labels_people[pred].capitalize(),

(faces_coord[i][0], faces_coord[i][1] - 2),

cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 255, 255), 1,

cv2.LINE_AA)

else:

cv2.putText(frame, "Unknown",

(faces_coord[i][0], faces_coord[i][1]),

cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 255, 255), 1,

cv2.LINE_AA)

cv2.putText(frame, "ESC to exit", (5, frame.shape[0] - 5),

cv2.FONT_HERSHEY_SIMPLEX, 1, (255,255, 255), 1, cv2.LINE_AA)

cv2.imshow('Video', frame)

if cv2.waitKey(100) & 0xFF == 27:

sys.exit()

در این قسمت هم فریم ویدیو مورد برسی قرار می‌گیرد و در نهایت پس از اتمام کار خارج می‌گردد

def check_choice():

""" Check if choice is good

"""

is_valid = 0

while not is_valid:

try:

choice = int(input('Enter your choice [1-3] : '))

if choice in [1, 2, 3]:

is_valid = 1

else:

print ("'%d' is not an option.\n" % choice)

except ValueError:

print ("%s is not an option.\n" % str(error).split(": ")[1])

return choice

این قسمت دقیقا مثل یک منو عمل می‌کنه که کاربر می‌تونه گزینه مورد نظر خودش روانتخاب کنه.

if __name__ == '__main__':

print (30 * '-')

print (" POSSIBLE ACTIONS")

print (30 * '-')

print ("1. Add person to the recognizer system")

print ("2. Start recognizer")

print ("3. Exit")

print (30 * '-')

CHOICE = check_choice()

PEOPLE_FOLDER = "face_recognition_system/people/"

SHAPE = "rectangle"

if CHOICE == 1:

if not os.path.exists(PEOPLE_FOLDER):

os.makedirs(PEOPLE_FOLDER)

add_person(PEOPLE_FOLDER, SHAPE)

elif CHOICE == 2:

os.system("sudo modprobe bcm2835-v4l2") # Required for Raspi-Camera Module

recognize_people(PEOPLE_FOLDER, SHAPE)

elif CHOICE == 3:

sys.exit()

این قسمت هم رویداد های گزینه هایی رو که انتخاب کردیم اجرا می‌کنه

سخت افزار

حالا وقتش رسیده کدی رو که نوشتیم روی سخت افزار اجرا کنیم.

وسایلی که نیاز داریم شامل موارد زیر هستند.

SBC

منظور همون single board cumputer ها است که شامل RaspberryPi، OrangePi و … هستند.

دوربین

دوربینی که با SBC موردنظرتون بتونه ارتباط برقرار کنه.

به طور مثال اگر از RaspberryPi استفاده می‌کنید باید دوربینی متناسب با سخت افزار انتخاب کنید که مشکلی از لحاظ سخت افزاری پیش نیاد ( نکته بسیار پیش افتاده ایه اما مهمه).

تغذیه SBC موردنظر

نمایشگر (میتونه PC شما به عنوان نمایشگر استفاده شه یا اینکه یک LCD متناسب با SBC رو به صورت مستقیم می‍تونید استفاده کنید.)

عملکرد پروژه

یکی از بهترین لحظه‌هایی که میتونه برای یک مهندس الکترونیک رقم بخوره زمانیه که پروژه اش جواب بده و الانم دقیقا میخوایم ببینیم که پروژه‌مون جواب میده یا نه؟

اگه فرایند رو به درستی انجام داده باشیم باید قاعدتا پروژه جواب بده و خروجی هم باید به شکل زیر باشه.

پروژه تشخیص چهره توسط OPENCV

خسته نباشید اینم از یک پروژه پردازش تصویر که میتونه خیلی جاها کاربردی باشه و مورد استفاده قرار بگیره.

حالا چندتا از پروژه های کاربردی که میشه فقط با این آموزش انجام داد شامل موارد زیر میشه.

ساخت درباز کن تصویری
ساخت دوربین مداربسته
ساخت دستگاه شناسایی مجرمین
ساخت دستگاه حضور و غیاب تصویری
ساخت دستگاه ردیابی اشخاص و …

البته اینم بگم پروژه هایی که گفتیم صرفا پردازش تصویر نیست بلکه در کنارش نیاز به طراحی سخت افزار و اتصال به سرور و … داره که دقیقا باید بسته به نوع پروژه هر کدوم که نیاز بود رو راه اندازی کنید تا به جواب مطلوب برسید.

با سیسوگ همراه باشید.

10 دیدگاه در “پروژه تشخیص چهره توسط OPENCV”

سید جواد گفت:
مرداد ۱۷, ۱۴۰۰ در ۵:۱۰ ب٫ظ
سلام ببخشید ماژول face_recognition_system رو با چه اسمی توی cmd نصب کنم
پاسخ
1. Zeus ‌ گفت:
  مرداد ۲, ۱۴۰۱ در ۳:۳۵ ب٫ظ
  سلام فکر میکنم لینک زیر بتونه کمکتون کنه
  
  پاسخ
میترا گفت:
تیر ۲۷, ۱۳۹۹ در ۱۱:۰۶ ق٫ظ
سلام برای اینکه حضور وغیاب ثبت بشه باید به یک لب تاب وصل باشه یا کدی برای ارسال داده هست؟
لطفا بیشتر راهنمایی کنید.متشکرم
پاسخ
1. Sisoog Os گفت:
  تیر ۲۷, ۱۳۹۹ در ۱۲:۲۲ ب٫ظ
  سلام غالبا یک سیستم عامل سبک مثل لینوکس روی سخت افزار نصب میکنید و برای همه این روالها کد مناسب میزنید
  پاسخ
میترا گفت:
تیر ۲۳, ۱۳۹۹ در ۱۱:۱۹ ق٫ظ
سلام وقت بخیر .قطعات مورد نیاز برای پروژه حضوروغیاب تصویری چی هست؟
پاسخ
1. زئوس Zeus گفت:
  تیر ۲۳, ۱۳۹۹ در ۴:۳۹ ب٫ظ
  سلام
  احتمالا یه برد رزبری پای + یک دوربین (میتونه وبکم هم باشه) و شاید اگه بخواید چیزی رو نمایش بدید یه lcd 🙂
  پاسخ
سجاد گفت:
تیر ۱۱, ۱۳۹۸ در ۹:۳۶ ق٫ظ
برای شروع خوبه ولی امنیت و دقت این پروژه ساده در عمل چقدر هست؟؟ ایا میشه واقعا باهاش در باز کن تصویری ساخت؟
پاسخ
1. BLO OM گفت:
  تیر ۱۱, ۱۳۹۸ در ۲:۳۷ ب٫ظ
  سلام دوست عزیز
  حرف شما درسته کاملا برای شروع مناسب است اما صرفا برای شروع نیست بلکه شما با رعایت یک سری آپشن های دیگر قادر خواهید بود که این کار را انجام دهید. و بسیار قدرتمند هم عمل می‌کند.
  در سری های بعدی این آموزش، قدرت این کتابخانه را به همراه تلفیقی از کتابخانه های دیگر خواهید دید که با چه دقت و سرعتی عمل خواهد کرد.
  موفق باشید.
  پاسخ
kian گفت:
تیر ۱۰, ۱۳۹۸ در ۱۱:۳۲ ق٫ظ
مثل همیشه عالی خداقوت
پاسخ
1. BLO OM گفت:
  تیر ۱۰, ۱۳۹۸ در ۴:۰۹ ب٫ظ
  ممنون دوست عزیز ان شالله در آموزش های بعدی پروژه های کاربردی که تلفیقی از هوش مصنوعی است را آموزش خواهیم داد.
  پاسخ