mjpeg_on_face_detection.py

# Dieses Werk ist unter der MIT-Lizenz lizenziert.
# Copyright (c) 2013-2023 OpenMV LLC. Alle Rechte vorbehalten.
# https://github.com/openmv/openmv/blob/master/LICENSE
#
# MJPEG-Videoaufzeichnung bei Gesichtserkennung – Beispiel
#
# Hinweis: Für dieses Beispiel wird eine SD-Karte benötigt.
#
# Sie können Ihre OpenMV Cam verwenden, um MJPEG-Dateien aufzuzeichnen. Sie können dem
# Recorder-Objekt entweder JPEG-Frames oder RGB565-/Graustufen-Frames zuführen. Sobald Sie die
# Aufzeichnung einer MJPEG-Datei beendet haben, können Sie sie mit VLC abspielen. Unter Ubuntu
# funktioniert auch der integrierte Videoplayer.
#
# Dieses Beispiel zeigt, wie Sie mit Gesichtsverfolgung auf Ihrer OpenMV Cam ein
# MJPEG aufnehmen.

import csi
import image
import time
import mjpeg
import random
import machine

csi0 = csi.CSI()
csi0.reset()  # Sensor zurücksetzen und initialisieren.
csi0.pixformat(csi.GRAYSCALE)  # Pixelformat auf RGB565 (oder GRAYSCALE) setzen
csi0.framesize(csi.QQVGA)  # Framegröße auf QQVGA (160x120) setzen
csi0.snapshot(time=2000)  # Warten, bis die Einstellungen wirksam werden.

led = machine.LED("LED_RED")

# Eine HaarCascade zur Gesichtserkennung laden. Dies ist ein Objekt, das Ihre OpenMV
# Cam verwenden kann, um mit der unten stehenden Methode find_features() Gesichter zu erkennen. Ihre OpenMV
# Cam hat die HaarCascade fontalface bereits integriert. Standardmäßig werden alle Stufen der
# HaarCascade geladen. Sie können jedoch die Anzahl der Stufen anpassen, um die
# Verarbeitung auf Kosten der Genauigkeit zu beschleunigen. Die frontalface-HaarCascade hat 25
# Stufen.
face_cascade = image.HaarCascade("/rom/haarcascade_frontalface.cascade", stages=25)

while True:
    print("About to start detecting faces...")
    csi0.snapshot(time=2000)  # Dem Benutzer Zeit geben, sich bereitzumachen.

    print("Now detecting faces!")

    diff = 10  # Wir gehen davon aus, dass ein Gesicht nach 10 Frames erkannt wurde.
    while diff:
        img = csi0.snapshot()
        # Der Schwellenwert kann zwischen 0.0 und 1.0 liegen. Ein höherer Schwellenwert führt zu einer
        # höheren Erkennungsrate mit mehr Fehlalarmen (False Positives). Der Skalierungswert
        # steuert den Abgleichsmaßstab und ermöglicht die Erkennung kleinerer Gesichter.
        faces = img.find_features(face_cascade, threshold=0.5, scale=1.5)

        if faces:
            diff -= 1
            for r in faces:
                img.draw_rectangle(r)

    led.on()
    m = mjpeg.Mjpeg("example-%d.mjpeg" % random.getrandbits(32))

    clock = time.clock()  # Verfolgt die FPS.
    for i in range(200):
        clock.tick()
        m.write(csi0.snapshot())
        print(clock.fps())

    m.close()
    led.off()
    print("Restarting...")