例程讲解06-Video-Recording->gif_on_face_detection录制人脸识别动图

# 录制人脸识别动图例程
#
# 注意:您将需要SD卡来运行此示例。
#
# 您可以使用OpenMV Cam来录制gif文件。可以用于RGB565图或灰度图。
# 使用像GIMP这样的照片编辑软件在将GIF上传到网络之前对其进行压缩和优化。
#
# 这个例子演示了如何在你的OpenMV Cam上使用面部追踪来获取gif。

import sensor, image, time, gif, pyb

RED_LED_PIN = 1
BLUE_LED_PIN = 3

sensor.reset() # 初始化sensor

sensor.set_pixformat(sensor.GRAYSCALE) # or sensor.
#设置图像色彩格式,有RGB565色彩图和GRAYSCALE灰度图两种

sensor.set_framesize(sensor.QQVGA) # or sensor.HQVGA (or others)
#设置图像像素大小

sensor.skip_frames(time = 2000) # 让新的设置生效

# 加载人脸检测HaarCascade。 这是OpenMV Cam可以使用下面的
# find_features()方法来检测人脸的对象。 您的OpenMV具有HaarCascade
# 内置的人脸模型。 默认情况下,HaarCascade的所有阶段都被加载。 但是,
# 您可以调整阶段的数量来加快处理速度,但要以准确性为代价。 
# HaarCascade的前面有25个阶段。

face_cascade = image.HaarCascade("frontalface", stages=25)

while(True):

    pyb.LED(RED_LED_PIN).on()
    print("About to start detecting faces...")
    sensor.skip_frames(time = 2000) # 给用户一个时间来准备


    pyb.LED(RED_LED_PIN).off()
    print("Now detecting faces!")
    pyb.LED(BLUE_LED_PIN).on()

    diff = 10 # We'll say we detected a face after 10 frames.
    while(diff):
        img = sensor.snapshot()
        # Threshold是介于0.0-1.0的阈值,较低值会同时提高检出率和假阳性
        # 率。相反,较高值会同时降低检出率和假阳性率。
        # scale是一个必须大于1.0的浮点数。较高的比例因子运行更快,
        # 但其图像匹配相应较差。理想值介于1.35-1.5之间。

        faces = img.find_features(face_cascade, threshold=0.5, scale_factor=1.5)

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

    g = gif.Gif("example-%d.gif" % pyb.rng(), loop=True)

    clock = time.clock() # Tracks FPS.
    print("You're on camera!")
    for i in range(100):
        clock.tick()
        # clock.avg()返回帧与帧之间的毫秒数,其中包含gif延迟
        g.add_frame(sensor.snapshot(), delay=int(clock.avg()/10)) # centiseconds.
        print(clock.fps())

    g.close()
    pyb.LED(BLUE_LED_PIN).off()
    print("Restarting...")

星瞳科技OpenMV官方中文文档函数讲解:

星瞳科技OpenMV官方中文文档函数讲解:

results matching ""

    No results matching ""