Распознавание лиц в реальном времени на Raspberry Pi — полное руководство

Это руководство проведёт вас через создание системы распознавания лиц в реальном времени на Raspberry Pi с использованием OpenCV и Pi-камеры. От настройки железа до обучения распознавателя — каждый шаг представлен с понятными фрагментами кода и практическими советами.

Ниже вы увидите живую демонстрацию Pi-камеры, обнаруживающей лица в реальном времени.

Проект опирается на открытую библиотеку OpenCV, оптимизированную для реального времени. Хотя мы фокусируемся на Raspberry Pi под Raspbian, тот же код работает на macOS и Windows с минимальными изменениями.

3 этапа

Полный процесс распознавания лиц можно разделить на три стадии:

• Обнаружение лиц и сбор данных
• Обучение распознавателя
• Распознавание лиц в реальном времени

На диаграмме ниже эти фазы показаны схематично.

Шаг 1: Список материалов (BOM)

Необходимые компоненты:

• Raspberry Pi 3 — $32.00
• 5 Мпкс 1080p OV5647 Mini Camera Module — $13.00

Шаг 2: Установка OpenCV 3

Рекомендуем следовать гайду Адриана Розброука для чистой установки OpenCV 3 на Raspbian Stretch. После туториала активируйте выделенное виртуальное окружение Python:

source ~/.profile
workon cv

Внутри окружения проверьте версию Python и установку OpenCV:

python
>>> import cv2
>>> cv2.__version__

Должен отобразиться номер версии вроде 3.3.0 или новее.

Шаг 3: Проверка камеры

Если камера не определяется, включите драйвер:

sudo modprobe bcm2835-v4l2

Следующий Python-сниппет открывает поток Pi-камеры, показывает его в цвете и в оттенках серого, и переворачивает вертикально (скорректируйте, если ориентация камеры другая):

import numpy as np
import cv2

cap = cv2.VideoCapture(0)
cap.set(3, 640)
cap.set(4, 480)

while True:
    ret, frame = cap.read()
    frame = cv2.flip(frame, -1)
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    cv2.imshow('frame', frame)
    cv2.imshow('gray', gray)
    if cv2.waitKey(30) & 0xff == 27:
        break

cap.release()
cv2.destroyAllWindows()

Запустите python simpleCamTest.py (доступен на GitHub проекта). Нажмите ESC для выхода.

Шаг 4: Обнаружение лиц

Каскад Хаара OpenCV — лёгкий машинный подход для обнаружения лиц. Скачайте предобученный XML-файл (haarcascade_frontalface_default.xml) и положите в папку Cascades. Ниже скрипт демонстрирует обнаружение в реальном времени с ограничивающими рамками:

import cv2

faceCascade = cv2.CascadeClassifier('Cascades/haarcascade_frontalface_default.xml')
cap = cv2.VideoCapture(0)
cap.set(3, 640)
cap.set(4, 480)

while True:
    ret, img = cap.read()
    img = cv2.flip(img, -1)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    faces = faceCascade.detectMultiScale(
        gray,
        scaleFactor=1.2,
        minNeighbors=5,
        minSize=(20, 20)
    )
    for (x, y, w, h) in faces:
        cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)
    cv2.imshow('video', img)
    if cv2.waitKey(30) & 0xff == 27:
        break

cap.release()
cv2.destroyAllWindows()

Параметры detectMultiScale управляют чувствительностью: scaleFactor уменьшает изображение на каждой итерации, minNeighbors фильтрует ложные срабатывания, minSize задаёт минимальный размер лица.

Дополнительные примеры

Изучите больше вариантов обнаружения в GitHub проекта:

• faceEyeDetection.py
• faceSmileDetection.py
• faceSmileEyeDetection.py

Haar Cascade Object Detection – Face & Eye Tutorial

Шаг 5: Сбор данных

Сбор размеченного датасета необходим для обучения. Создайте папку проекта (например, FacialRecognitionProject) и подкаталог dataset:

mkdir FacialRecognitionProject
cd FacialRecognitionProject
mkdir dataset

Скачайте файл каскада Хаара в корень проекта. Затем запустите 01_face_dataset.py для захвата 30 изображений лица на пользователя:

import cv2
import os

cam = cv2.VideoCapture(0)
cam.set(3, 640)
cam.set(4, 480)

face_detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
face_id = input('\nEnter user ID (numeric) and press <Return> → ')
print('\n[INFO] Initializing face capture. Look at the camera…')
count = 0

while True:
    ret, img = cam.read()
    img = cv2.flip(img, -1)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    faces = face_detector.detectMultiScale(gray, 1.3, 5)
    for (x, y, w, h) in faces:
        cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)
        count += 1
        cv2.imwrite(f'dataset/User.{face_id}.{count}.jpg', gray[y:y+h, x:x+w])
        cv2.imshow('image', img)
    if cv2.waitKey(100) & 0xff == 27 or count >= 30:
        break
    if count >= 30:
        break

cam.release()
cv2.destroyAllWindows()
print('\n[INFO] Exiting Program and cleaning up.')

Каждое изображение именуется User.{id}.{count}.jpg (например, User.1.4.jpg). При необходимости измените количество сэмплов.

Шаг 6: Обучение (Trainer)

Используя собранные изображения, обучите распознаватель лиц OpenCV. Полученная модель сохраняется как .yml файл в папке trainer. Детали реализации см. в полном скрипте обучения в репозитории проекта.

Читать подробнее: Real‑Time Face Recognition – End‑to‑End Project