【《基于树莓派的人脸识别系统设计与实现》10000字】

[18]为了能够实现对目标的训练与检测，所有的特征值都将用于图像训练，虽然找到能够区分目标为真样本或假样本的界限是很明显的，但是也会产生大量错误，使得识别不够准确，造成错误分类。这就需要在各种特征值中找到错误率最低的特征值，说明其为检测目标是否正确的最佳特征。（此过程十分复杂。在开始时每个目标图像都与标准图像有相似值，在分类后，被错误分类的目标图像相似度对加大，在进项筛选后再次重复检测，得到新的相似度与阈值。不断重复直到达到要求的准确率或者精确度）最终得到的分类器是错误分类器的集合品，将分类器结合在一起诞生的高精确度分类器。OpenCV中的Haar级联检测

OpenCV自带了训练器和检测器。需要使用检测器OpenCV已经包含了很多已经训练好的分类器，其中包括:面部，眼睛，微笑等。这些XML文件保存在/opencv/data/haarcascades/文件夹中。下面我们将使用∨创建一个面部和眼部检测器。

首先我们要加载需要的XL分类器。然后以灰度格式加载输入图像或者是视频。

然后，我们在图像中检测面部。如果检测到面部，它会返回面部所在的矩形区域Rect（x，y，w，h）。一旦我们获得这个位置，我们可以创建一个RO并在其中进行眼部检测。考虑到本论文设计要求的任务不是那么复杂，仅仅进行普遍人脸的识别无需再进项精确化的检测，因为本次购买的树莓派的内存较小，无法完成大量的人脸数据接收与检测，也不支持进行高速的深度学习。所以本设计采用采用方案一基于OpenCV的人脸识别。在树莓派的Linux操作系统下利用QT库来开发图形界面，以OpenCV图像处理库为基础，使用OpenCV自带的算法进行对任务的处理，在通过影像系统对目标进行接收处理，人脸识别是用OpenCV内置的已经训练好的Hear分类器对目标图片处理比对，检测结果利用PCA算法进行训练与比对。以下为人脸识别追踪程序的源代码importnumpyasnpimportcv2face_cascade=cv2.CascadeClassifier('haarcascade_frontalface_default.xml')eye_cascade=cv2.CascadeClassifier('haarcascade_eye.xml')cap=cv2.VideoCapture(0)while1:ret,img=cap.read()img=cv2.flip(img,1)gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)faces=face_cascade.detectMultiScale(gray,1.3,5)for(x,y,w,h)infaces:cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)roi_gray=gray[y:y+h,x:x+w]roi_color=img[y:y+h,x:x+w]print(int(x+w/2),int(y+h/2))eyes=eye_cascade.detectMultiScale(roi_gray)for(ex,ey,ew,eh)ineyes:cv2.rectangle(roi_color,(ex,ey),(ex+ew,ey+eh),(0,255,0),2)#imgR=cv2.flip(img,1)cv2.imshow('img',img)k=cv2.waitKey(30)&0xffifk==27:#press'ESC'toquitbreakcap.release()cv2.destroyAllWindows()importnumpyasnpimportcv2importosimporttimeimportRPi.GPIOasGPIOimportAdafruit_PCA9685importthreadingimportsysreload(sys)sys.setdefaultencoding('utf8')#初始化PCA9685和舵机servo_pwm=Adafruit_PCA9685.PCA9685()#实例话舵机云台#设置舵机初始值，可以根据自己的要求调试servo_pwm.set_pwm_freq(60)#设置频率为60HZservo_pwm.set_pwm(5,0,325)#底座舵机servo_pwm.set_pwm(4,0,325)#倾斜舵机time.sleep(1)face_cascade=cv2.CascadeClassifier('haarcascade_frontalface_default.xml')eye_cascade=cv2.CascadeClassifier('haarcascade_eye.xml')#初始化摄像头并设置阙值usb_cap=cv2.VideoCapture(0)#设置显示的分辨率，设置为320×240pxusb_cap.set(3,320)usb_cap.set(4,240)pid_x=0pid_y=0pid_w=0pid_h=0#舵机云台的每个自由度需要4个变量pid_thisError_x=0#当前误差值pid_lastError_x=0#上一次误差值pid_thisError_y=0pid_lastError_y=0#舵机的转动角度pid_X_P=330pid_Y_P=330#转动角度pid_flag=0makerobo_facebool=False#initializeLEDGPIOredLed=21#LED灯GPIO.setwarnings(False)GPIO.setmode(GPIO.BCM)GPIO.setup(redLed,GPIO.OUT)#机器人舵机旋转defRobot_servo():whileTrue:servo_pwm.set_pwm(5,0,650-pid_X_P)servo_pwm.set_pwm(4,0,650-pid_Y_P)servo_tid=threading.Thread(target=Robot_servo)#多线程servo_tid.setDaemon(True)servo_tid.start()#开启线程#StartwithLEDoffGPIO.output(redLed,GPIO.LOW)ledOn=Falsewhile1:ret,frame=usb_cap.read()#加载图像gray=cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)faces=face_cascade.detectMultiScale(gray,1.3,5)for(x,y,w,h)infaces:#cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)roi_gray=gray[y:y+h,x:x+w]roi_color=frame[y:y+h,x:x+w]eyes=eye_cascade.detectMultiScale(roi_gray)for(ex,ey,ew,eh)ineyes:cv2.rectangle(roi_color,(ex,ey),(ex+ew,ey+eh),(0,255,0),2)max_face=0value_x=0#找到人脸画矩形iflen(faces)>0:(pid_x,pid_y,pid_w,pid_h)=faces[0]cv2.rectangle(frame,(pid_x,pid_y),(pid_x+pid_h,pid_y+pid_w),(0,255,0),2)result=(pid_x,pid_y,pid_w,pid_h)pid_x=result[0]+pid_w/2pid_y=result[1]+pid_h/2makerobo_facebool=True#误差值处理pid_thisError_x=pid_x-160pid_thisError_y=pid_y-120#自行对P和D两个值进行调整，检测两个值的变化对舵机稳定性的影响pwm_x=pid_thisError_x*5+1*(pid_thisError_x-pid_lastError_x)pwm_y=pid_thisError_y*5+1*(pid_thisError_y-pid_lastError_y)#迭代误差值操作pid_lastError_x=pid_thisError_xpid_lastError_y=pid_thisError_ypid_XP=pwm_x/100pid_YP=pwm_y/100#pid_X_Ppid_Y_P为最终PID值pid_X_P=pid_X_P+int(pid_XP)pid_Y_P=pid_Y_P+int(pid_YP)#点亮LED灯GPIO.output(redLed,GPIO.HIGH)#限值舵机在一定的范围之内ifpid_X_P>650:pid_X_P=650ifpid_X_P<0:pid_X_P=0ifpid_Y_P>650:pid_Y_P=650ifpid_X_P<0:pid_Y_p=0#如果没有检测到球，关闭LED灯else:GPIO.output(redLed,GPIO.LOW)#显示图像cv2.imshow("MAKEROBORobot",frame)ifcv2.waitKey(1)==119:break#doabitofcleanupprint("\n[INFO]ExitingProgramandcleanupstuff\n")GPIO.cleanup()cap.release()cv2.destroyAllWindows()最终运行程序视频输出能出现下图所示，蓝色方框能显示面部轮廓，绿色方框可以显示面部信息，嘴部信息以及面部轮廓，且舵机能随人脸转动的方向进行追踪，说明系统已经可以正常运转工作。3.9本章小结本章对理论知识进行了实际操作，首先按要求组装好了树莓派硬件，连接上摄像头与舵机，完成了视觉系统的搭建，连接了各个引脚，激活安装好了树莓派系统。安装了必要的软件，以python语言设置了舵机调零程序进行了舵机调零，测试了摄像头能否正常工作以及OpenCV内置的hear级联器能否正常工作，分类器是否对面部，眼睛实行检测。舵机在识别到人脸是还能自行转动，对人脸进行追踪。第四章总结与展望本文目标利用树莓派为主机，辅以影像系统，利用可视化界面连接树莓派系统用python对其进行编程，最终使得连接着摄像头的舵机能对人脸进行识别并进行追踪。本文的软件为Opencv视觉处理库，其支持多种语言，并且能运行在不同的操作系统中，提供了多种接口函数能对不同场景进行识别处理，内置的Hear检测器可以对人脸进行识别，也可以利用OpenCV训练其他训练器。利用PCA算法将输入的图像降维，转换为灰度图像提取出特征值并且节省了内存空间，利用目标的特征值与已经训练好的面部特征值进行比对，得到正确识别的阈值，最终能够识别出人脸。还利用PID控制器对舵机进行控制，来对人脸等物体进行追踪。使人脸始终在视频中心。当然本文还有许多不足之处，例如，对PID算法的推导研究还不够细致，无法得到其运行的公式，且不理解算法的原理。并且受限于树莓派的内存，以及研究不够深入，无法实现大量的运算大量录入人脸信息，本设计的树莓派人脸识别系统还无法分辨具体的人脸，例如显示不同人的人脸信息并录入系统，在一步将利用在此基础上继续进项优化改进参考文献刘光富.基于多角度视频的人脸识别系统的设计与实现[D].苏州大学,2018.1~74.师文喜,王德勇,敖乃翔等.三维人脸识别技术在安防领域的应用研究[J].中国公共安全（学术版）,2016,000(002):127-131.DahmouniA,AharraneN,ElMoutaouakilK,etal.AFaceRecognitionBasedBiometricSolutioninEducation[J].PatternRecognitionandImageAnalysis,2018,28(4):758-770.赵星,王芳,杨勇,等.集成成像三维显示系统显示性能的研究进展[J].中国光学,2012,(3).209-221.树莓派官网．树莓派官网[引用日期2016-10-03]带你揭秘你绝不知道树莓派的知识和应用．爱板网[引用日期2014-12-29]Windows10IoT:Powering