Olá. Hoje vamos utilizar uma implementação de machine learning para reconhecimento facial usando o Python 2.7 e a biblioteca OpenCV 3. Vamos começar carregando algumas bibliotecas necessárias para nosso trabalho de hoje. O numpy é necessário para o OpenCV. Da biblioteca scipy, vamos importar a função de moda. Além disso, carregamos as bibliotecas os para mudar a pasta de trabalho no Python, time para gerar nomes de bancos de dados atualizados por data e hora e csv para exportar arquivos . Isso tem se mostrado bem importante na minha experiência. Eu mesmo já perdi alguns dados rodando scripts de coleta de dados sem atualizar o nome do arquivo de saída. Desse modo, um banco de quase 1Gb de dados foi sobrescrito por outro de 200 Mb :(
Plano de vôo
Nosso objetivo hoje é usar o reconhecimento facial para contar os rostos em algumas imagens. Serão usados 4 modelos já treinados e implementados no OpenCV para isso. Os resultados de cada um dos modelos serão tabulados junto com a média das quatro medidas, a moda e a variância.
Instalando o OpenCV
A instalação do OpenCV 3 não é algo trivial. Eu encontrei alguma dificuldade mas informações no stackoverflow e a boa vontade dos amigos do grupo de Facebook Python Brasil foram imprescindíveis. Em breve, farei também uma postagem apenas focando na instalação do OpenCV. Vamos aos códigos.
import numpy as np
from scipy.stats import mode
import cv2
import os
import csv
import time
Agora, vamos mudar a pasta de trabalho, para onde estão alocadas as imagens que vamos utilizar. Depois disso, vamos criar um arquivo .csv de saida que receberá em seu nome a data e hora do processo.
path = 'C:/Users/Admin2/Documents/RASTREIA/faces'
os.chdir(path)
#Salva o arquivo com titulo atualizado por data e hora
titulo = time.strftime("%Y-%m-%d") + '_' + time.strftime("%H-%M-%S")
saida = open('face_recon_'+titulo+'.csv', 'w')
export = csv.writer(saida, quoting=csv.QUOTE_NONNUMERIC)
Agora, vamos listar todos os arquivos .jpg existentes na pasta de trabalho.
file_list = []
for file in os.listdir(path):
if file.endswith(".jpg"):
file_list.append(file)
Agora, mãos na massa. Criaremos um loop for para realizar as mesmas tarefas para cada foto. O algoritmo está construído da seguinte maneira:
1. Estabelecemos 4 objetos com os quatro classificadores;
2. Lê a imagem;
3. Transforma a imagem em tons de cinza (50? kkkkkk);
4. Executamos as quatro classificações e armazenamos os resultados em objetos;
5. Cria uma lista com os objetos de resultados;
6. Para cada resultado, plotamos um retângulo onde foram encontradas faces pelos classificadores;
7. Diz ao usuário quantas faces foram encontradas;
8. Cria uma lista com os resultados, transforma num array e calcula média, moda e variância;
9. Escreve no banco de dados .csv o nome do arquivo da imagem, o número de faces, média, moda e variância;
10. Exibe uma mensagem reconfortante de missão cumprida com os dizeres “Cabô, manolo!”.
Há ainda uma opção para exibir, uma por uma, as figuras com os retângulos. Se forem apenas algumas poucas imagens, é interessante verificar em tempo real como está o reconhecimento. Se forem umas 500 imagens pode ser que você gaste um tempinho fazendo isso… Melhor não… Para habilitar, é só “descomentar” as três linhas.
O comando detectMultiScale
O comando chave do reconhecimento facial que aplica os modelos já implementados no OpenCV às imagens recebe os seguintes argumentos: a própria imagem, um fator escalar que pode ser corrigido conforme o tamanho da imagem para melhorar a qualidade da classificação, um número mínimo de vizinhos, e o tamanho mínimo da área a ser investigada pelo classificador em pixels. Áreas menores do que o estabelecido aqui serão ignoradas.
detectMultiScale(image[, scaleFactor[, minNeighbors[, flags[, minSize[, maxSize]]]]]) -> objects
Vamos aos códigos!
for file in file_list:
#Para cada arquivo na lista faça:
#Estabelece os classificadores de face
face_cascade = cv2.CascadeClassifier('C:/Users/Admin2/OpenCV3/opencv/sources/data/haarcascades/haarcascade_frontalface_default.xml')
face_alt_cascade = cv2.CascadeClassifier('C:/Users/Admin2/OpenCV3/opencv/sources/data/haarcascades/haarcascade_frontalface_alt.xml')
face_alt2_cascade = cv2.CascadeClassifier('C:/Users/Admin2/OpenCV3/opencv/sources/data/haarcascades/haarcascade_frontalface_alt2.xml')
face_alt_tree_cascade = cv2.CascadeClassifier('C:/Users/Admin2/OpenCV3/opencv/sources/data/haarcascades/haarcascade_frontalface_alt_tree.xml')
#Lê a imagem e converte para escala de cinza
img = cv2.imread(file)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#Faz as classificações
faces = face_cascade.detectMultiScale(gray, 1.1, 5, minSize=(30,30))
faces2 = face_alt_cascade.detectMultiScale(gray, 1.1, 5, minSize=(30,30))
faces3 = face_alt2_cascade.detectMultiScale(gray, 1.1, 5, minSize=(30,30))
faces4 = face_alt_tree_cascade.detectMultiScale(gray, 1.1, 5, minSize=(30,30))
#Organiza numa as classificações numa lista para loop
classifiers = [faces, faces2, faces3, faces4]
# Coloca os quadrados nas faces
for classifier in classifiers:
for (x,y,w,h) in classifier:
cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)
roi_gray = gray[y:y+h, x:x+w]
roi_color = img[y:y+h, x:x+w]
print("Para a imagem "+file+", foram encontradas {0} faces!".format(len(classifier)))
#Exibe as imagens com retãngulos. Para exibir, descomente as três linhas abaixo
#cv2.imshow('img',img)
#cv2.waitKey(0)
#cv2.destroyAllWindows()
# Exibe a média, variância e moda de cada classificador
encontrados = []
for (classifier) in classifiers:
x = format(len(classifier))
encontrados.append(x)
encontrados = np.asarray(encontrados, dtype = np.float16)
media = np.mean(encontrados)
variancia = np.var(encontrados)
moda = float(mode(encontrados)[0])
if file == file_list[0]:
export.writerow(["imagem","media","variancia","moda"])
export.writerow([file, media, variancia, moda])
else:
export.writerow([file, media, variancia, moda])
saida.close()
print 'Cabô, manolo!'
Para a imagem galera2.jpg, foram encontradas 7 faces!
Para a imagem galera2.jpg, foram encontradas 3 faces!
Para a imagem galera2.jpg, foram encontradas 3 faces!
Para a imagem galera2.jpg, foram encontradas 0 faces!
Para a imagem image_preview (1).jpg, foram encontradas 0 faces!
Para a imagem image_preview (1).jpg, foram encontradas 0 faces!
Para a imagem image_preview (1).jpg, foram encontradas 0 faces!
Para a imagem image_preview (1).jpg, foram encontradas 0 faces!
Para a imagem image_preview (2).jpg, foram encontradas 0 faces!
Para a imagem image_preview (2).jpg, foram encontradas 0 faces!
Para a imagem image_preview (2).jpg, foram encontradas 0 faces!
Para a imagem image_preview (2).jpg, foram encontradas 0 faces!
Para a imagem image_preview (3).jpg, foram encontradas 0 faces!
Para a imagem image_preview (3).jpg, foram encontradas 0 faces!
Para a imagem image_preview (3).jpg, foram encontradas 0 faces!
Para a imagem image_preview (3).jpg, foram encontradas 0 faces!
Para a imagem image_preview (4).jpg, foram encontradas 0 faces!
Para a imagem image_preview (4).jpg, foram encontradas 0 faces!
Para a imagem image_preview (4).jpg, foram encontradas 0 faces!
Para a imagem image_preview (4).jpg, foram encontradas 0 faces!
Para a imagem image_preview.jpg, foram encontradas 0 faces!
Para a imagem image_preview.jpg, foram encontradas 0 faces!
Para a imagem image_preview.jpg, foram encontradas 0 faces!
Para a imagem image_preview.jpg, foram encontradas 0 faces!
Para a imagem Inauguracao-placa-turma.jpg, foram encontradas 2 faces!
Para a imagem Inauguracao-placa-turma.jpg, foram encontradas 2 faces!
Para a imagem Inauguracao-placa-turma.jpg, foram encontradas 3 faces!
Para a imagem Inauguracao-placa-turma.jpg, foram encontradas 0 faces!
Para a imagem letras 2010.jpg, foram encontradas 18 faces!
Para a imagem letras 2010.jpg, foram encontradas 19 faces!
Para a imagem letras 2010.jpg, foram encontradas 19 faces!
Para a imagem letras 2010.jpg, foram encontradas 15 faces!
Para a imagem turma-2010 (1).jpg, foram encontradas 0 faces!
Para a imagem turma-2010 (1).jpg, foram encontradas 0 faces!
Para a imagem turma-2010 (1).jpg, foram encontradas 0 faces!
Para a imagem turma-2010 (1).jpg, foram encontradas 0 faces!
Para a imagem turma-2010-2.jpg, foram encontradas 22 faces!
Para a imagem turma-2010-2.jpg, foram encontradas 14 faces!
Para a imagem turma-2010-2.jpg, foram encontradas 17 faces!
Para a imagem turma-2010-2.jpg, foram encontradas 5 faces!
Para a imagem Turma-2010.jpg, foram encontradas 47 faces!
Para a imagem Turma-2010.jpg, foram encontradas 30 faces!
Para a imagem Turma-2010.jpg, foram encontradas 33 faces!
Para a imagem Turma-2010.jpg, foram encontradas 10 faces!
Para a imagem Turma2010.jpg, foram encontradas 7 faces!
Para a imagem Turma2010.jpg, foram encontradas 7 faces!
Para a imagem Turma2010.jpg, foram encontradas 7 faces!
Para a imagem Turma2010.jpg, foram encontradas 3 faces!
Cabô, manolo!
Depois disso, podemos importar o banco de dados para o Python (ou R) e verificar como foi a classificação. Vejam também um exemplo de uma imagem após o reconhecimento:
import pandas as pd
dados = pd.read_csv('face_recon_2017-02-21_11-38-28.csv')
print(dados)
imagem media variancia moda
0 galera2.jpg 3.25 6.1875 3.0
1 image_preview (1).jpg 0.00 0.0000 0.0
2 image_preview (2).jpg 0.00 0.0000 0.0
3 image_preview (3).jpg 0.00 0.0000 0.0
4 image_preview (4).jpg 0.00 0.0000 0.0
5 image_preview.jpg 0.00 0.0000 0.0
6 Inauguracao-placa-turma.jpg 1.75 1.1875 2.0
7 letras 2010.jpg 17.75 2.6875 19.0
8 turma-2010 (1).jpg 0.00 0.0000 0.0
9 turma-2010-2.jpg 14.50 38.2500 5.0
10 Turma-2010.jpg 30.00 174.5000 10.0
11 Turma2010.jpg 6.00 3.0000 7.0
Por hoje é só. Comentários são sempre bem vindos. Até a próxima! Abraços