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
import image
import time
import gif
import machine
import random

sensor.reset()  # 初始化sensor
sensor.set_pixformat(sensor.GRAYSCALE)  # 设置图像色彩格式，有RGB565色彩图和GRAYSCALE灰度图两种
sensor.set_framesize(sensor.QVGA)  # 设置图像像素大小
sensor.skip_frames(time=2000)  # 让新的设置生效

led = machine.LED("LED_RED")

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

    print("Now detecting faces!")

    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)

    led.on()
    g = gif.Gif("example-%d.gif" % random.getrandbits(32), loop=True)

    clock = time.clock()  # Tracks FPS.
    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()
    led.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：