gif_on_face_detection.py

# Ce travail est publié sous licence MIT.
# Copyright (c) 2013-2023 OpenMV LLC. Tous droits réservés.
# https://github.com/openmv/openmv/blob/master/LICENSE
#
# Exemple d'enregistrement vidéo GIF sur détection de visage
#
# Remarque : une carte SD est nécessaire pour exécuter cet exemple.
#
# Vous pouvez utiliser votre OpenMV Cam pour enregistrer des fichiers gif. Vous pouvez soit fournir à
# l'objet d'enregistrement des images RGB565, soit des images en niveaux de gris. Utilisez un logiciel de retouche photo
# comme GIMP pour compresser et optimiser le Gif avant de le mettre en ligne.
#
# Cet exemple montre comment utiliser le suivi de visage avec votre OpenMV Cam pour réaliser un
# gif.

import csi
import image
import time
import gif
import machine
import random

csi0 = csi.CSI()
csi0.reset()  # Initialiser le capteur de la caméra.
csi0.pixformat(csi.GRAYSCALE)  # Définir le format de pixel sur RGB565 (ou GRAYSCALE)
csi0.framesize(csi.QVGA)  # Définir la taille de l'image sur QVGA
csi0.snapshot(time=2000)  # Attendre que les réglages prennent effet.

led = machine.LED("LED_RED")

# Charger un modèle HaarCascade de détection de visage. C'est un objet que votre OpenMV Cam
# peut utiliser pour détecter des visages avec la méthode find_features() ci-dessous. Votre OpenMV
# Cam dispose d'un HaarCascade frontalface intégré. Par défaut, toutes les étapes du
# HaarCascade sont chargées. Cependant, vous pouvez ajuster le nombre d'étapes pour accélérer
# le traitement au détriment de la précision. Le HaarCascade frontalface comporte 25
# étapes.
face_cascade = image.HaarCascade("/rom/haarcascade_frontalface.cascade", stages=25)

while True:
    print("About to start detecting faces...")
    csi0.snapshot(time=2000)  # Laisser à l'utilisateur le temps de se préparer.

    print("Now detecting faces!")

    diff = 10  # Nous considérerons qu'un visage est détecté après 10 images.
    while diff:
        img = csi0.snapshot()
        # Le seuil peut être compris entre 0.0 et 1.0. Un seuil plus élevé se traduit par un
        # taux de détection plus élevé avec davantage de faux positifs. La valeur d'échelle
        # contrôle l'échelle de correspondance, ce qui permet de détecter des visages plus petits.
        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()
    g = gif.Gif("example-%d.gif" % random.getrandbits(32), loop=True)

    clock = time.clock()  # Suit le FPS.
    for i in range(100):
        clock.tick()
        # clock.avg() renvoie le nombre de millisecondes entre les images - le délai du gif est en
        g.add_frame(csi0.snapshot(), delay=int(clock.avg() / 10))  # centisecondes.
        print(clock.fps())

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