face_landmarks_single_face.py

# Este trabalho está licenciado sob a licença MIT.
# Copyright (c) 2013-2025 OpenMV LLC. Todos os direitos reservados.
# https://github.com/openmv/openmv/blob/master/LICENSE
#
# Este exemplo demonstra o modelo MediaPipe Face Landmark Detection do Google para um único rosto.
#
# NOTA: Este exemplo requer uma OpenMV Cam com NPU, como a AE3 ou N6, para executar em tempo real.

import csi
import time
import ml
from ml.preprocessing import Normalization
from ml.postprocessing.mediapipe import BlazeFace
from ml.postprocessing.mediapipe import FaceLandmarks

# Inicializa o sensor.
csi0 = csi.CSI()
csi0.reset()
csi0.pixformat(csi.RGB565)
csi0.framesize(csi.VGA)

# O BlazeFace requer uma imagem quadrada para os melhores resultados.
# FaceLandmarks funciona com imagens não quadradas provenientes de recortes do BlazeFace.
csi0.window((400, 400))

# Carrega o modelo integrado de detecção de rostos
face_detection = ml.Model("/rom/blazeface_front_128.tflite", postprocess=BlazeFace(threshold=0.4))
print(face_detection)

# Carrega o modelo integrado de pontos de referência faciais
face_landmarks = ml.Model("/rom/face_landmarks_192.tflite", postprocess=FaceLandmarks(threshold=0.4))
print(face_landmarks)

# Variáveis de rastreamento.
n = None

clock = time.clock()
while True:
    clock.tick()
    img = csi0.snapshot()

    if n is None:
        # faces é uma lista de tuplas ((x, y, w, h), score, keypoints)
        for r, score, keypoints in face_detection.predict([img]):
            # rect é (x, y, w, h) - amplie em 2x para o modelo de pontos de referência faciais
            wider_rect = (r[0] - r[2] // 2, r[1] - r[3] // 2, r[2] * 2, r[3] * 2)
            # Opera apenas na ROI do rosto detectado
            n = Normalization(roi=wider_rect)

    else:
        # marks é uma lista de tuplas ((x, y, w, h), score, keypoints)
        marks = face_landmarks.predict([n(img)])

        # Nenhum rosto detectado; redefine o rastreador.
        if not marks:
            n = None
            continue

        # Desenha caixas delimitadoras ao redor dos rostos detectados e dos pontos-chave.
        for r, score, keypoints in marks:
            ml.utils.draw_predictions(img, [r], ("face",), ((0, 0, 255),), format=None)

            # keypoints é um ndarray de formato (468, 3) onde cada ponto-chave é (x, y, z)
            ml.utils.draw_keypoints(img, keypoints, radius=0, color=(255, 0, 0))

            # Centraliza new_wider_rect no rosto para rastreamento
            new_wider_rect = (r[0] + (r[2] // 2) - (wider_rect[2] // 2),
                              r[1] + (r[3] // 2) - (wider_rect[3] // 2),
                              wider_rect[2],
                              wider_rect[3])
            # Opera apenas na ROI do rosto detectado
            n = Normalization(roi=new_wider_rect)

    print(clock.fps(), "fps")