Innehållsförteckning:
- Tillbehör
- Steg 1: Installera Shunya OS på Raspberry Pi 4
- Steg 2: Installation och anslutningar
- Steg 3: Installera Shunyaface (ansiktsdetektering/igenkänningsbibliotek)
- Steg 4: Ladda ner koden
- Steg 5: Kompilera koden
- Steg 6: Kör koden
Video: Real Time Face Detection på RaspberryPi-4: 6 steg (med bilder)
2024 Författare: John Day | [email protected]. Senast ändrad: 2024-01-30 12:44
I denna instruktör kommer vi att utföra ansiktsigenkänning i realtid på Raspberry Pi 4 med Shunya O/S med hjälp av Shunyaface-biblioteket. Du kan uppnå en bildhastighet på 15-17 på RaspberryPi-4 genom att följa den här självstudien.
Tillbehör
1. Raspberry Pi 4B (valfri variant)
2. Raspberry Pi 4B -kompatibel strömförsörjning
3. 8 GB eller större micro SD -kort
4. Övervaka
5. mikro-HDMI-kabel
6. Mus
7. Tangentbord
8. bärbar dator eller annan dator (helst Ubuntu-16.04) för att programmera minneskortet
9. USB -webbkamera
Steg 1: Installera Shunya OS på Raspberry Pi 4
Du behöver en bärbar dator eller dator (helst med Ubuntu-16.04) och en micro SD-kortläsare/adapter för att ladda micro SD-kortet med Shunya OS.
1) Ladda ner Shunya OS från den officiella versionen
2) Flash Shunya OS på SD-kortet med hjälp av stegen nedan:
i) Högerklicka på zip -filen som laddats ner och välj Extrahera här
ii) När bilden är uppackad dubbelklickar du på den uppackade bildmappen där du hittar bilden och släpper information
iii) Högerklicka på bilden (.img -fil)
iv) Välj Öppna med -> Disk image writer
v) Välj destination som SD -kortläsare
vi) Ange ditt lösenord
Detta börjar blinka SD-kortet. Var tålmodig och vänta tills Sd-kortet blinkar helt (100%)
Steg 2: Installation och anslutningar
Som visas på bilden ovan måste du göra följande:
1) Sätt i micro SD -kortet i Raspberry Pi 4.
2) Anslut mus och tangentbord till Raspberry Pi 4.
3) Anslut bildskärmen till Raspberry Pi 4 via mikro-HDMI
4) Anslut USB -webbkameran till Raspberry Pi 4
5) Anslut strömkabeln och slå på Raspberry Pi 4.
Detta kommer att starta upp Shunya OS på RaspberryPi-4. Den första uppstarten kan ta tid eftersom filsystemet ändrar storlek för att uppta hela SD-kortet. När operativsystemet startar bör du se en inloggningsskärm. Här är inloggningsuppgifterna:
Användarnamn: shunya
Lösenord: shunya
Steg 3: Installera Shunyaface (ansiktsdetektering/igenkänningsbibliotek)
För att installera Shunyaface måste vi ansluta RaspberryPi-4 till lan eller wifi
1. För att ansluta RPI-4 till wifi använder du följande kommando:
$ sudo nmtui
2. För att installera shunyaface och cmake (ett beroende) för sammanställning av koder och git (för att ladda ner den faktiska koden), ange följande kommando:
$ sudo opkg uppdatering && sudo opkg installera shunyaface cmake git
Obs: Installationen kan ta cirka 5-6 minuter beroende på din internethastighet
Steg 4: Ladda ner koden
Koden är tillgänglig på github. Du kan ladda ner den med följande kommando:
$ git -klon
Kodförklaring:
Den angivna koden fångar bildrutor kontinuerligt med Opencvs VideoCapture -funktion. Dessa ramar ges till detekteringsfunktionen för Shunyaface som i sin tur returnerar ramarna med avgränsningsruta ritade på ansiktet och prickar ritade på ögon, näsa och slutpunkter på läpparna. För att avsluta koden, tryck på "q" -knappen. Efter att ha tryckt på "q" visas Output FPS på terminalen.
Steg 5: Kompilera koden
För att kompilera koden använder du följande kommando:
$ cd exempel/exempel-facedetect
$./setup.sh
Steg 6: Kör koden
När du har sammanställt koden kan du köra den med kommandot.
$./build/facedetect
Du bör nu se ett fönster öppet. Närhelst ett ansikte är framför kameran kommer det att rita avgränsningsrutan och det kommer att vara synligt för användaren i fönstret som öppnades.
Grattis. Du har nu framgångsrikt slutfört ansiktsigenkänning på RaspberryPi-4 med hjälp av djupinlärning. Om du gillar den här självstudien, vänligen gilla, dela självstudien och stjärna vårt github -arkiv som ges här.
Rekommenderad:
Opencv Face Detection, Training and Recognition: 3 steg
Opencv ansiktsigenkänning, träning och igenkänning: OpenCV är ett datorbaserat bibliotek med öppen källkod som är mycket populärt för att utföra grundläggande bildbehandlingsuppgifter som suddighet, bildblandning, förbättrad bild samt videokvalitet, tröskelvärden etc. Förutom bildbehandling, det bevisar
Real Time Clock med AT89s52: 3 steg
Real TIme Clock Med AT89s52: VÄLKOMMEN TILLBAKA, detta är shubham Trivedi och idag ska jag designa Real Time Clock med At89s52 Microcontroller. AT89S52 mikrokontroller är hjärtat i detta projekt. DS1307 IC används som RTC. Denna DS1307 IC krävde I2C -gränssnitt, men 89
Arduino -baserad klocka med DS1307 Real Time Clock (RTC) -modul & 0,96: 5 steg
Arduino -baserad klocka med DS1307 Real Time Clock (RTC) -modul & 0.96: Hej killar i den här självstudien kommer vi att se hur man gör en fungerande klocka med en DS1307 realtidsklockemodul & OLED -displayer. Så vi kommer att läsa tiden från klockmodulen DS1307. Och skriv ut den på OLED -skärmen
Trafikmönsteranalysator med Live Object Detection: 11 steg (med bilder)
Trafikmönsteranalysator som använder liveobjektdetektering: I dagens värld är trafikljus avgörande för en säker väg. Men många gånger kan trafikljus vara irriterande i situationer där någon närmar sig ljuset precis som det blir rött. Detta slösar bort tid, särskilt om ljuset är för
Texas Big Face - 3D Face Projection Så här: 10 steg (med bilder)
Texas Big Face - 3D Face Projection How To: Create " living statues " genom att projicera ditt ansikte på skulpturer.A How To By: David Sutherland, Kirk Moreno i samarbete med Graffiti Research Lab Houston* Flera kommentarer har sagt att det finns några ljudproblem. Det är