Python人脸识别 Python3.7+OpenCV+Dlib+罗技C920摄像头 实现离线实时摄像头画面人脸检测+识别

最新推荐文章于 2024-02-15 13:41:31 发布
最新推荐文章于 2024-02-15 13:41:31 发布
阅读量1.7k 收藏 23
点赞数 1
分类专栏： Python 人脸识别 opencv 文章标签： python 人脸识别 opencv 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/GottaYiWanLiu/article/details/107468088
版权
opencv 同时被 3 个专栏收录
7 篇文章 2 订阅
订阅专栏
Python
5 篇文章 0 订阅
订阅专栏
人脸识别
4 篇文章 1 订阅
订阅专栏

Python人脸识别 Python3.7+OpenCV+Dlib+罗技C920摄像头 实现离线实时摄像头画面人脸检测+识别

示例效果 文末付完整工程链接

打码了
在这里插入图片描述

参考博客

基于python的dlib库的人脸识别 Legolas~
Dlib人脸检测的基本原理 普罗米修斯1024
本文中文乱码问题参考博客 天上飞下一毛雪

一、准备数据

  1. 需要事先下载的资料：

    shape_predictor_68_face_landmarks.dat
    dlib_face_recognition_resnet_model_v1.dat
    SIMYOU.TTF
    haarcascade_frontalface_default.xml

  2. 准备模型的训练数据
    新建一个文件夹取名：train_images，事先准备每个人的照片，并做好标签备注，图片名即标签。如下图所示：
    在这里插入图片描述

  3. 准备模型的测试数据
    新建另一个文件夹取名：test_images，放一些train_images里同一个人的不同的照片，去掉标签，如下图：
    在这里插入图片描述

二、训练数据

# -*- coding:utf-8 -*-
import cv2
import dlib
import numpy as np
import os
import glob
import json
import time


'''
# 参数说明：
# train_image_path 为 上文 train_images 文件夹路径
# predictor_path 为 shape_predictor_68_face_landmarks.dat 文件所在路径
# recognition_path 为 dlib_face_recognition_resnet_model_v1.dat文件所在路径
# isNew 为 判断是训练全新的模型还是说我需要在原来的模型基础上新增数据 True 为训练全新模型
# old_model_path 为 旧模型文件的路径 txt文件
# new_model_path 为 训练完后新模型的保存路径 txt文件
# class_name_path 为 每个人脸图片的标签保存路径 txt文件
'''
def train_face_jpg(train_image_path, predictor_path, recognition_path, isNew, old_model_path, new_model_path, class_name_path):
    global class_names  # 人脸标签的保存列表
    detector = dlib.get_frontal_face_detector()  # 获取图片中的人脸（dlib在这块的性能比opencv差点，计算的时候可以在前后用两个time.time()相减看一下dlib人脸检测耗费的时间，模型训练部分暂时就先用这个，实时画面检测改用opencv去实现）
    predictor = dlib.shape_predictor(predictor_path)  # 获取人脸68个关键点
    face_rec = dlib.face_recognition_model_v1(recognition_path)  # 人脸识别
    descriptors = []  # 保存训练后的人脸信息的列表，最终转化为数组形式保存到txt文件
    # 判断是整个重新训练新模型还是在旧模型增加训练数据
    if isNew:   # 训练全新的模型
        descriptors = []
        class_names = []
    else:  
        # 为旧模型增加新的训练数据，训练一次模型是非常耗时的，
        # 当人脸数据比较少还好，如果数据很多的话，每次添加人脸都要从头重新训练的话费时费力，
        # 所以我们可以在以前的模型基础上，更新模型数据
        # 例如调用方法：train_face_jpg('new_train_images', 'shape_predictor_68_face_landmarks.dat', 'dlib_face_recognition_resnet_model_v1.dat', False, 'result.txt', 'result.txt', 'class_names.txt')
        # 其中 new_train_images 为新添加的人脸图的文件夹路径，训练完后的数据保存到原来的result.txt和class_names.txt即可
        if os.path.isfile(old_model_path):  # 判断旧模型文件是否存在
            descriptors = np.loadtxt(old_model_path, dtype=list)  # 
            descriptors = descriptors.tolist()
        if os.path.isfile(class_name_path):  # 判断旧模型对应的标签文件是否存在
            class_names = get_class_names(class_name_path)
            
    # 读取train_images文件夹下的所有图片
    for path in glob.glob(os.path.join(train_image_path, "*.jpg")):  
        # 可读取中文路径
        image = cv2.imdecode(np.fromfile(path, dtype=np.uint8), -1)  
        detection_train = detector(image, 1)
        # 计算每个图片的人脸数据
        for i, det in enumerate(detection_train):
            face_mark_train = predictor(image, det)
            face_des_train = face_rec.compute_face_descriptor(image, face_mark_train)
            # 将数据保存到列表中
            descriptors.append(np.array(face_des_train))
        # 将图片名作为人脸标签保存
        temp_name = path.split('\\')[-1].split('.')[0]
        class_names.append(temp_name)
    print(class_names)
    
    # 保存人脸标签到class_name_path
    with open(class_name_path, 'w+') as f:
        for i in class_names:
            f.write(json.dumps(i, ensure_ascii=False))
            if i == class_names[len(class_names)-1]:
                break
            f.write("\n")
    # 将训练后的模型数据保存到txt
    np.savetxt(new_model_path, descriptors, fmt="%s")
    # 返回 人脸标签列表
    return get_class_names(class_name_path)

# 调用
if __name__ == '__main__':
   train_face_jpg('train_images', 'shape_predictor_68_face_landmarks.dat', 'dlib_face_recognition_resnet_model_v1.dat', True, 'result.txt', 'result.txt', 'class_names.txt')

三、单张图片测试训练后的模型

模型训练完后，可以在工程路径下看到result.txt和class_names.txt，前者为模型的训练数据，后者为对应的标签文件

现在我们任取test_images文件夹中的一张照片来和训练数据做对比

# coding=utf-8
import dlib
import cv2
import numpy as np
import time
from PIL import Image, ImageDraw, ImageFont

class_names = []
detector = 0
predictor = 0
face_rec = 0
face_des_array = 0
descriptors = []
face_casecade = 0


# 初始化模型
'''
# 参数说明：
# predictor_path 为 shape_predictor_68_face_landmarks.dat 文件所在路径
# recognition_path 为 dlib_face_recognition_resnet_model_v1.dat 文件所在路径
# descriptors_path 为 模型的训练数据 也就是 result.txt 文件的路径
# face_casecade_path 为 haarcascade_frontalface_default.xml 文件所在路径
'''
def face_recognition_init_from_txt(predictor_path, recognition_path, descriptors_path, face_casecade_path):
    global detector, predictor, face_rec, descriptors, face_casecade
    detector = dlib.get_frontal_face_detector()
    predictor = dlib.shape_predictor(predictor_path)
    face_rec = dlib.face_recognition_model_v1(recognition_path)
    descriptors = np.loadtxt(descriptors_path)
    face_casecade = cv2.CascadeClassifier(face_casecade_path)

# 获取标签名数组
'''
# 参数说明：
# class_name_path 为 标签文件的路径 即 class_names.txt 文件的路径
'''
def get_class_names(class_name_path):
    label_list = []
    if os.path.exists(class_name_path):
        f = open(class_name_path, 'r', encoding='gb18030', errors='ignore').read()
        label_list = f.replace('\"', '').split('\n')
        #print(label_list)
    return label_list


# 单张图片对比
# 根据路径识别人脸
'''
# 参数说明：
# file_path 为 需要测试的图片路径
# class_names 为 人脸标签的数组 可通过加载 get_class_names(class_name_path) 方法获取
'''
def face_recognition_from_path(file_path, class_names):
    global detector, predictor, face_rec, face_des_array
    dist = []
    image = cv2.imread(file_path)
    detection_test = detector(image, 1) # 获取测试图片中人脸信息
    for i, det in enumerate(detection_test):
        face_mark_test = predictor(image, det)
        face_des_test = face_rec.compute_face_descriptor(image, face_mark_test)

        face_des_array = np.array(face_des_test)
    for v in descriptors:
        distance = np.linalg.norm(v - face_des_array) # 测试图片的数据与模型中的人脸数据做对比，求范数
        dist.append(distance)
    #   dist.append(np.sqrt(np.sum(np.square(face_des_array-v))))
    print(class_names)
    print(dist)
    # np.argsort获取列表中最小的数的下标
    test_result = np.argsort(dist)

    print(test_result)
    # 打印最小的的数，这个是和模型中所有训练数据对比后取一个最小数值
    print(dist[test_result[0]])
    # 数值越小，代表相似度越高，但是这个最小数值可能也很大，就是说测试的图片可能在模型中没有，即为录入，
    # 所以加个0.5的阈值判断，最小的数值小于0.45，才算匹配到，否侧视为人脸未录入，这个最小数值根据实际情况取调整
    if dist[test_result[0]] < 0.45:
        if class_names[test_result[0]] in class_names:
            print("识别结果:", class_names[test_result[0]])
        else:
            print('人脸信息未录入')
    else:
        print('人脸信息未录入')

# 调用
if __name__ == '__main__':
    class_names = get_class_names('class_names.txt')
    face_recognition_from_path('test_images/test0.jpg', class_names)

根据上图准备的测试数据 test0.jpg 为局座，对比后最小的数值为0.269，下标为2 ，在标签列表中，下表2的标签为局座
识别结果：
在这里插入图片描述

多试几个： test4.jpg 为 乌蝇哥

face_recognition_from_path('test_images/test4.jpg', class_names)

在这里插入图片描述

test1.jpg 为 断水流大师兄 ，我们的模型里面是没有训练大师兄的数据的，所以即使返回了下标1，但是最小数值0.4895是大于0.45的，所以判断为未录入。

face_recognition_from_path('test_images/test1.jpg', class_names)

在这里插入图片描述

那我们来更新一下训练数据 ，新建一个文件夹取名 new_train_images，然后将断水流大师兄的照片放进去 如下图：
在这里插入图片描述

然后只需再调用一下train_face_jpg() ，修改一下参数设置，参数说明如下：

# 其中 new_train_images 为新添加的人脸图的文件夹路径，训练完后的数据保存到原来的result.txt和class_names.txt即可
# False 为 不是全新的模型，而是更新旧模型

train_face_jpg('new_train_images', 'shape_predictor_68_face_landmarks.dat', 'dlib_face_recognition_resnet_model_v1.dat', False, 'result.txt', 'result.txt', 'class_names.txt')

再次识别：
在这里插入图片描述

四、实时获取摄像头画面中的人脸并识别

dlib在人脸检测方面相比opencv更耗时，但是在识别方面更加专业，所以此处采用opecv去获取摄像头画面中人脸位置信息，然后再用dlib去做对比识别


# 首先将上文根据图片路径测试的方法改为根据Mat来识别
# 根据Mat识别人脸
def face_recognition_from_Mat(face_Mat, class_names):
    global detector, predictor, face_des_array
    dist = []
    name = ''
    image = face_Mat
    detection_test = detector(image, 1)
    for i, det in enumerate(detection_test):
        face_mark_test = predictor(image, det)
        face_des_test = face_rec.compute_face_descriptor(image, face_mark_test)
        face_des_array = np.array(face_des_test)

    for v in descriptors:
        distance = np.linalg.norm(v - face_des_array)
        dist.append(distance)
    #   dist.append(np.sqrt(np.sum(np.square(face_des_array-v))))

    test_result = np.argsort(dist)

    if dist[test_result[0]] < 0.45:
        if class_names[test_result[0]] in class_names:
            name = class_names[test_result[0]]
            print("识别结果是:", name)
        else:
            name = '未录入'

    else:
        name = '未录入'
        print('人脸信息未录入')
    return name

# 判断画面中是否存在人脸，存在再识别
def get_face(frame, gray, train_images_names):
    global face_casecade # face_casecade 为上文初始化模型的时候的 face_casecade 
    face = face_casecade.detectMultiScale(gray, 1.1, 5)  # 利用opencv检测画面中是否存在人脸
    face_img = []
    for x, y, w, h in face:
        cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 0, 255), 2)
        face_img = gray[y:y + h, x:w + x]
        face_img = cv2.cvtColor(face_img, cv2.COLOR_GRAY2BGR)
        name = face_recognition_from_Mat(img, train_images_names) # 人脸识别并返回识别到的人名
        frame = change_cv2_draw(frame, name, (x, y - 50), 50, (255, 0, 0)) # 显示中文人名
    return frame

#由于直接用opencv显示中文会乱码，所以先将图片格式转化为PIL库的格式，用PIL的方法写入中文，然后在转化为CV的格式
'''
# 参数说明：
# image 为 输入的图像
# strs 为 需要显示的中文
# local 为 中文显示的坐标位置
# sizes 为 文字大小
# colour 为 颜色 RBG 空间   opencv则为BGR
'''
def change_cv2_draw(image,strs,local,sizes,colour):
    cv2img = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
    pilimg = Image.fromarray(cv2img)
    draw = ImageDraw.Draw(pilimg)
    font = ImageFont.truetype("SIMYOU.TTF",sizes, encoding="utf-8")  #SIMYOU.TTF为字体文件
    draw.text(local, strs, colour, font=font)
    image = cv2.cvtColor(np.array(pilimg), cv2.COLOR_RGB2BGR)
    return image



cap = cv2.VideoCapture(0) # 

while True:
    ret, frame = cap.read()
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    frame = get_face(frame, gray, class_names)
    cv2.imshow('frame', frame)
    cv2.waitKey(10)

到此结束

dlib库的人脸识别其实还是挺耗时的，一秒钟，大概能运算3次左右吧，如果觉得性能不够，可以自行尝试有没有什么方式可以优化一下性能

五、完整代码

train_face_data.py

# -*- coding:utf-8 -*-
import dlib
import cv2
import numpy as np
import os
import glob
import json
import time

class_names = []


def get_class_names(class_name_path):
    label_list = []
    if os.path.exists(class_name_path):
        f = open(class_name_path, 'r', encoding='gb18030', errors='ignore').read()

        label_list = f.replace('\"', '').split('\n')

        #print(label_list)

    return label_list




def train_face_jpg(train_image_path, predictor_path, recognition_path, isNew, old_model_path, new_model_path, class_name_path):
    global class_names

    detector = dlib.get_frontal_face_detector()
    predictor = dlib.shape_predictor(predictor_path)
    face_rec = dlib.face_recognition_model_v1(recognition_path)
    descriptors = []
    # 判断是整个重新训练新模型还是在旧模型增加训练数据
    if isNew:
        descriptors = []
        class_names = []
    else:
        if os.path.isfile(old_model_path):
            descriptors = np.loadtxt(old_model_path, dtype=list)
            descriptors = descriptors.tolist()
        if os.path.isfile(class_name_path):
            class_names = get_class_names(class_name_path)

    for path in glob.glob(os.path.join(train_image_path, "*.jpg")):
        image = cv2.imdecode(np.fromfile(path, dtype=np.uint8), -1)
        detection_train = detector(image, 1)
        for i, det in enumerate(detection_train):
            face_mark_train = predictor(image, det)
            face_des_train = face_rec.compute_face_descriptor(image, face_mark_train)
            descriptors.append(np.array(face_des_train))
        temp_name = path.split('\\')[-1].split('.')[0]
        class_names.append(temp_name)
    print(class_names)

    with open(class_name_path, 'w+') as f:
        for i in class_names:
            f.write(json.dumps(i, ensure_ascii=False))
            if i == class_names[len(class_names)-1]:
                break
            f.write("\n")

    np.savetxt(new_model_path, descriptors, fmt="%s")
    return get_class_names(class_name_path)

face_recog.py


# 根据现有训练数据进行人脸识别类

# coding=utf-8
import dlib
import cv2
import numpy as np
import time
from PIL import Image, ImageDraw, ImageFont

detector = 0
predictor = 0
face_rec = 0
face_des_array = 0
descriptors = []
face_casecade = 0

# 初始化模型
def face_recognition_init_from_txt(predictor_path, recognition_path, descriptors_path, face_casecade_path):
    global detector, predictor, face_rec, descriptors, face_casecade
    detector = dlib.get_frontal_face_detector()
    predictor = dlib.shape_predictor(predictor_path)
    face_rec = dlib.face_recognition_model_v1(recognition_path)
    descriptors = np.loadtxt(descriptors_path)
    face_casecade = cv2.CascadeClassifier(face_casecade_path)

#根据路径识别人脸
def face_recognition_from_path(file_path, class_names):
    global detector, predictor, face_rec, face_des_array
    dist = []
    image = cv2.imread(file_path)
    detection_test = detector(image, 1)
    for i, det in enumerate(detection_test):
        face_mark_test = predictor(image, det)
        face_des_test = face_rec.compute_face_descriptor(image, face_mark_test)

        face_des_array = np.array(face_des_test)
    for v in descriptors:
        distance = np.linalg.norm(v - face_des_array)
        dist.append(distance)
    #   dist.append(np.sqrt(np.sum(np.square(face_des_array-v))))
    print(class_names)
    print(dist)
    test_result = np.argsort(dist)

    print(test_result[0])
    print(dist[test_result[0]])
    if dist[test_result[0]] < 0.45:
        if class_names[test_result[0]] in class_names:
            print("人脸识别的结果是:", class_names[test_result[0]])
        else:
            pass
    else:
        print('人脸信息未录入')


#根据Mat识别人脸
def face_recognition_from_Mat(face_Mat, class_names):
    global detector, predictor, face_des_array
    dist = []
    name = ''
    image = face_Mat
    detection_test = detector(image, 1)
    for i, det in enumerate(detection_test):
        face_mark_test = predictor(image, det)
        face_des_test = face_rec.compute_face_descriptor(image, face_mark_test)
        face_des_array = np.array(face_des_test)

    for v in descriptors:
        distance = np.linalg.norm(v - face_des_array)
        dist.append(distance)
    #   dist.append(np.sqrt(np.sum(np.square(face_des_array-v))))

    test_result = np.argsort(dist)

    if dist[test_result[0]] < 0.45:
        if class_names[test_result[0]] in class_names:
            name = class_names[test_result[0]]
            print("识别结果是:", name)
        else:
            name = '未录入'

    else:
        name = '未录入'
        print('人脸信息未录入')
    return name

# 判断画面中是否存在人脸
def get_face(frame, gray, train_images_names):
    global face_casecade
    face = face_casecade.detectMultiScale(gray, 1.1, 5)
    face_img = []
    for x, y, w, h in face:
        cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 0, 255), 2)
        face_img = gray[y:y + h, x:w + x]
        face_img = cv2.cvtColor(face_img, cv2.COLOR_GRAY2BGR)
        for img in face_img:
            name = face_recognition_from_Mat(img, train_images_names)
            frame = change_cv2_draw(frame, name, (x, y - 50), 50, (255, 0, 0))



    return frame


#由于直接用opencv显示中文会乱码，所以先将图片格式转化为PIL库的格式，用PIL的方法写入中文，然后在转化为CV的格式
def change_cv2_draw(image,strs,local,sizes,colour):
    cv2img = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
    pilimg = Image.fromarray(cv2img)
    draw = ImageDraw.Draw(pilimg)
    font = ImageFont.truetype("SIMYOU.TTF",sizes, encoding="utf-8")  #SIMYOU.TTF为字体文件
    draw.text(local, strs, colour, font=font)
    image = cv2.cvtColor(np.array(pilimg), cv2.COLOR_RGB2BGR)
    return image

main.py

import face_recog as fr
import train_face_data as tfd
import json
import cv2
import time

# 在原有的模型基础上添加数据
# tfd.train_face_jpg('new_train_images', 'shape_predictor_68_face_landmarks.dat', 'dlib_face_recognition_resnet_model_v1.dat', False, 'result.txt', 'result.txt', 'class_names.txt')

# 训练全新的模型
# class_names = tfd.train_face_jpg('train_images', 'shape_predictor_68_face_landmarks.dat', 'dlib_face_recognition_resnet_model_v1.dat', True, 'result.txt', 'result.txt', 'class_names.txt')

#初始化模型
fr.face_recognition_init_from_txt('shape_predictor_68_face_landmarks.dat', 'dlib_face_recognition_resnet_model_v1.dat', 'result.txt', 'haarcascade_frontalface_default.xml')

class_names = tfd.get_class_names('class_names.txt')

# 单张图片测试
fr.face_recognition_from_path('test_images/test1.jpg', class_names)

# 实时摄像头画面识别
cap = cv2.VideoCapture(0)
while True:
    ret, frame = cap.read()
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    frame = fr.get_face(frame, gray, class_names)
    cv2.imshow('frame', frame)
    cv2.waitKey(10)

六、工程链接

python离线人脸检测识别

一万六++
关注
专栏目录
用Python实现简单的人脸识别，10分钟搞定！（附源码）
qq_38082146的博客
03-19 11万+
前言 让我的电脑认识我，我的电脑只有认识我，才配称之为我的电脑！ 今天，我们用Python实现简单的人脸识别技术！ Python里，简单的人脸识别有很多种方法可以实现，依赖于python胶水语言的特性，我们通过调用包可以快速准确的达成这一目的。这里介绍的是准确性比较高的一种。 欲直接下载源代码文件，关注微信公众号：Python联盟，回复“人脸识别”即可获取~ 一、首先 梳理一下实现人脸识别需要进行的步骤： 流程大致如此，在此之前，要先让人脸被准确的找出来，也就是能准确区分人脸的分类器，在这
python opencv 开启logitech摄像头
caoyongsheng的博客
03-04 3031
OpenCV-Python——利用笔记本摄像头实现人脸检测 OpenCV-Python——利用笔记本摄像头实现人脸检测_YukinoAI的博客-CSDN博客_opencv python 摄像头1.安装opencv首先参考其他文章安装pip。之后以管理员身份运行命令提示符，输入以下代码安装opencvpip install --user opencv-python可以使用以下代码测试安装是否成功#导入opencv模块import cv2#捕捉帧，笔记本摄像头设置为0即可capture = cv2.Video
使用网络摄像头在 Python 中进行人脸检测
allway2的博客
10-10 1550
使用网络摄像头在 Python 中进行人脸检测 作者：Shantnu Tiwari数据科学机器学习 标记为已完成 鸣叫分享电子邮件 目录 先决条件 编码 测试！ 下一步 想知道更多？ 移除广告 本教程是Python 中的人脸识别的后续教程，因此请确保您已经阅读了第一篇文章。 正如第一篇文章中提到的，通过网络摄像头从检测图像中的人脸到检测视频中的人脸非常容易——这正是我们将在本文中详细介绍的内容。 在评论部分提出任何问题之前： 不要跳过博...
python 调用摄像头进行人脸识别
weixin_42694422的博客
07-05 1435
前期可以去GitHub上面下载好人脸识别的特征文件 import cv2 import numpy as np face_cascade = cv2.CascadeClassifier( r"D:\opencv\sources\data\haarcascades\haarcascade_frontalface_default.xml") eye_cascade = cv2.CascadeClassifier(r"D:\opencv\sources\data\haarcascades\haarcas
基于openvino&opencv的c++离线人脸识别系统开发设计
爱CV
11-22 823
模型采用基于resnet50的insight人脸识别模型，并经了IR转换，稍后放出IR模型的下载链接 https://github.com/openvinotoolkit/open_model_zoo/blob/master/models/public/face-recognition-resnet34-arcface/face-recognition-resnet34-arcface.md 人脸识别过程： //Face detect //Facial landmarks detect //Fac
毕业设计基于OpenCV+dlib+python的人脸识别系统(源码+说明）.zip
最新发布
09-23
毕业设计基于OpenCV+dlib+python的人脸识别系统(源码+说明）.zip，答辩评审分达到98分，代码都经过调试测试，确保可以运行！欢迎下载使用，可用于小白学习、进阶。该资源主要针对计算机、通信、人工智能、自动化等...
C++基于Qt+OpenCV+Dlib的人脸识别GUI系统源码（也可作为C++本科毕业设计）.zip
06-02
C++基于Qt，OpenCV，Dlib的人脸识别GUI系统源码.windows上用Qt打开.pro运行即可 linux上需要重新编译人脸识别动态库，将facerecog.cpp加入工程 使用说明 GUI界面有四个按钮，对应按键的功能 展示 一.人脸识别 1....
opencv+python 大华、海康摄像头或视频流人脸识别实时抓拍服务
09-16
大华、海康摄像头人脸识别、抓拍资源； 支持大华、海康摄像头多路实时抓拍。也可支持其他视频流抓拍。 适用于摄像头监控及视频监控场景 实现人脸实时抓拍后用于人脸分析及识别
Python+OpenCV实现的人脸识别签到考勤系统.zip
05-08
在这里，OpenCV用于实时捕获摄像头图像，进行人脸检测以及后续的人脸识别。 3. **人脸识别**：人脸识别是计算机视觉领域的一个关键任务，它涉及到人脸检测、特征提取和特征匹配。在这个签到系统中，OpenCV可能使用...
基于OpenCv+python实现的人脸识别检测源码+数据（课程设计）.zip
10-18
基于OpenCv+python实现的人脸识别检测源码+数据（课程设计）.zip 已获导师指导并通过的97分的高分课程设计项目，可作为课程设计和期末大作业，下载即用无需修改，项目完整确保可以运行。 基于OpenCv+python实现的...
罗技G27方向盘开发资料大杂烩，主要是python的sdk，没有整理，需要编程能力
06-13
自己到处收集的开发资料，因为不做这块了所以上传，有缘人自取
g27:使用Python读取Logitech G27数据
04-30
PythonG27 灵感来自 要求 Python 3.6+ 用法 转储事件 ./g27.py 从Python import g27 wheel = g27.G27() wheel.handlers = [print] wheel.loop() handlers提供了g27.Message对象。 有关详细信息，请参见源。
人脸识别及运动检测（需要对照自己的摄像头情况调节）
01-01
仅可用于练习，不可商用或批量使用,否则后果自负（代码尚仅用于学习，并未达到商用级别，自己稍作调整改进后的代码如果出现意外本人不负任何责任）。
python opencv 摄像头 不垂直_python OpenCV 调用罗技摄像头方法说明
weixin_36016360的博客
01-28 118
1.首先，需要安装opencv库文件，可以通过PIP install opencv-python(scripts目录下安装)；2.其次，验证安装版本pip list;3.验证能否打开摄像头，实例如下(亲测可用)：import cv2cap = cv2.VideoCapture(0)while True:ret,frame =cap.read()cv2.imshow('frame',frame)if...
python OpenCV 调用罗技摄像头方法说明
L18733238241的博客
09-11 1614
1.首先，需要安装opencv库文件，可以通过PIP install opencv-python（scripts目录下安装）； 2.其次，验证安装版本pip list; 3.验证能否打开摄像头，实例如下（亲测可用）： import cv2 cap = cv2.VideoCapture(0) while True: 　　ret,frame =cap.read() ...
[python] 罗技动态链接驱动库DLL 控制 键鼠
Lovely_him的博客
02-15 7137
使用 罗技动态链接驱动库DLL 控制 键鼠
摄像头人脸识别的部分逻辑
默语之声的博客
07-25 2070
关于安卓人脸识别的部分逻辑。1.首先学会对安卓系统的摄像头的调用和控制Android提供了Camera来控制拍照，步骤如下：
python opencv调用摄像头识别并绘制结果
啷个哩个啷
06-02 7719
???? 1. 调用摄像头 import cv2 # from ZNKJdigit import DigitalRecognizer,RecogniztionResult cap=cv2.VideoCapture(2) # 如果笔记本有前置和后置两个摄像头，一般0是后置，1是前置 # 每额外插一个usb摄像头，序号就会加1，多试试，就知道是几了。 cap.set(3,900) cap.set(4,900) # cap.set（）设置摄像头参数：3:宽 4:高 # cap.isOpened()返回布尔值，
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值