Manufaturação industrial
Internet das coisas industrial | Materiais industriais | Manutenção e reparo de equipamentos | Programação industrial |
home  MfgRobots >> Manufaturação industrial >  >> Manufacturing Technology >> Processo de manufatura

Reconhecimento Facial em Tempo Real no Raspberry Pi – Guia Completo

Este tutorial percorre construção de sistema de reconhecimento facial em tempo real no Raspberry Pi usando OpenCV e Pi-Cam. Da configuração de hardware ao treinamento do reconhecedor, cada passo apresentado com snippets de código claros e dicas práticas.

Abaixo você verá demo ao vivo do Pi-Cam detectando rostos em tempo real.

Projeto depende da biblioteca open-source OpenCV, otimizada para desempenho em tempo real. Embora foquemos em Raspberry Pi rodando Raspbian, mesmo código roda em macOS e Windows com ajustes menores.

3 Fases

Workflow completo de reconhecimento facial pode ser dividido em três estágios distintos:

Diagrama abaixo resume estas fases.

Passo 1: Lista de Materiais

Componentes essenciais:

Passo 2: Instalando OpenCV 3

Recomendamos seguir guia de Adrian Rosebrock para instalação limpa do OpenCV 3 no Raspbian Stretch. Após tutorial, ative ambiente virtual Python dedicado:

source ~/.profile
workon cv

Dentro do ambiente, verifique versão Python e instalação OpenCV:

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

Você deve ver número de versão como 3.3.0 ou mais novo.

Passo 3: Testando sua Câmera

Se câmera não detectada, habilite driver com:

sudo modprobe bcm2835-v4l2

Snippet Python abaixo abre stream Pi-Cam, exibe em cores e escala de cinza, e vira verticalmente (ajuste se orientação da câmera diferir):

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()

Execute com python simpleCamTest.py (disponível no GitHub do projeto). Pressione ESC para sair.

Passo 4: Detecção Facial

Classificador Haar Cascade do OpenCV é abordagem leve de machine learning para detecção de faces. Baixe arquivo XML pré-treinado (haarcascade_frontalface_default.xml) e coloque em pasta Cascades. Script a seguir demonstra detecção facial em tempo real com bounding boxes:

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()

Parâmetros detectMultiScale controlam sensibilidade: scaleFactor reduz tamanho da imagem a cada iteração, minNeighbors filtra falsos positivos, e minSize define menor face detectável.

Exemplos Adicionais

Explore mais opções de detecção no GitHub do projeto:

Haar Cascade Object Detection – Face & Eye Tutorial

Passo 5: Coleta de Dados

Coletar dataset rotulado é essencial para treinamento. Crie pasta de projeto (ex: FacialRecognitionProject) e subdiretório dataset:

mkdir FacialRecognitionProject
cd FacialRecognitionProject
mkdir dataset

Baixe arquivo Haar Cascade para raiz do projeto. Então execute 01_face_dataset.py para capturar 30 imagens faciais por usuário:

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('\nDigite ID do usuário (numérico) e pressione  → ')
print('\n[INFO] Inicializando captura facial. Olhe para a câmera…')
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] Saindo do programa e limpando.')

Cada imagem nomeada User.{id}.{count}.jpg (ex: User.1.4.jpg). Ajuste contagem de amostras conforme necessário.

Passo 6: Treinamento

Usando imagens coletadas, treine reconhecedor facial OpenCV. Modelo resultante salvo como arquivo .yml em pasta trainer. Consulte script completo de treinamento no repositório do projeto para detalhes de implementação.

Leia Mais Detalhes: Reconhecimento Facial em Tempo Real – Projeto Ponta a Ponta

Processo de manufatura

  1. Dominando Operadores em Python: Guia Completo
  2. Operações com Listas em Python: Criação, Acesso, Modificação e Técnicas Avançadas
  3. Dominando Dicionários em Python: Criação, Manipulação e Técnicas Avançadas
  4. Instalando Google Assistant no MATRIX Voice Raspberry Pi – Guia Passo a Passo
  5. Speathe: Comunicação Guiada pela Respiração para Usuários Paralizados
  6. Construa uma Porta com Reconhecimento Facial Seguro usando Windows IoT e Raspberry Pi
  7. Rastreamento Automatizado de Objetos Baseado em Visão com Raspberry Pi e OpenCV
  8. Construa um Reconhecedor de Dígitos no Raspberry Pi com TensorFlow e OpenCV
  9. Construa um Rover Windows IoT Core com Raspberry Pi 2 – Guia do Iniciante ao Avançado
  10. Estendendo GoPiGo v2 no Windows 10 IoT Core para Raspberry Pi 3