Example: 03-Machine-Learning/02-Haar-Cascade/face_detection.py

# 本作品采用MIT许可证授权。
# 版权所有 (c) 2013-2023 OpenMV LLC。保留所有权利。
# https://github.com/openmv/openmv/blob/master/LICENSE
#
# 人脸检测示例
#
# 此示例展示了OpenMV Cam内置的人脸检测功能。
#
# 人脸检测通过在图像上使用Haar Cascade特征检测器来实现。
# Haar Cascade是一系列简单的区域对比检查。对于内置的
# 正面人脸检测器，有25个阶段的检查，每个阶段都有
# 数百个检查。Haar Cascades运行速度快，因为只有在
# 前一阶段通过后才会评估后一阶段。此外，您的OpenMV Cam使用
# 一种称为积分图像的数据结构，以恒定时间快速执行每个区域
# 对比检查（这是特征检测的原因）
# 灰度模式仅用于满足积分图像的空间需求）。

import sensor
import time
import image

# 重置传感器
sensor.reset()

# 传感器设置
sensor.set_contrast(3)
sensor.set_gainceiling(16)
# HQVGA 和灰度模式最适合面部追踪。
sensor.set_framesize(sensor.HQVGA)
sensor.set_pixformat(sensor.GRAYSCALE)

# 加载 Haar 级联
# 默认情况下，这将使用所有阶段，较低的阶段速度更快但准确性较低。
face_cascade = image.HaarCascade("frontalface", stages=25)
print(face_cascade)

# FPS时钟
clock = time.clock()

while True:
    clock.tick()

    # 捕获快照
    img = sensor.snapshot()

    # 查找对象。
    # 注意：较低的缩放因子会更多地缩小图像并检测较小的对象。
    # 较高的阈值会导致更高的检测率，但也会产生更多的误报。
    objects = img.find_features(face_cascade, threshold=0.75, scale_factor=1.25)

    # 绘制对象
    for r in objects:
        img.draw_rectangle(r)

    # 打印FPS。
    # 注意：实际帧率更高，流式传输帧缓冲区会使其变慢。
    print(clock.fps())