無所遁形——快把你的口罩戴上（口罩識別）

人臉識別，是基于人的臉部特征信息進行身份識別的一種生物識別技術。用攝像機或攝像頭采集含有人臉的圖像或視頻流，并自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉進行臉部識別的一系列相關技術，通常也叫做人像識別、面部識別。

疫情當下，學校封校，教室上網課，食堂就餐等等環境，口罩佩戴依舊十分有意義，單靠人員監測效率太過低下，筆者就在考慮能否讓計算機完成相關工作，就查閱了相關資料，在開源訓練集的基礎上，設計了本款口罩識別。

圖片：

視頻：

口罩識別案例

配置環境：

windows10 系統

pyCharm

Anaconda環境下的python3.7

tenforflow1.15.0

cuda10.0

整體流程：

相信小伙伴們已經迫不及待了，上代碼走起！

from tkinter import *

from tkinter.filedialog import askdirectory

from tkinter.messagebox import showinfo

import cv2

import numpy as np

from PIL import Image, ImageTk

from tkinter import ttk

import pygame

import time

import tensorflow_infer as flow

pygame.mixer.init(frequency=16000, size=-16, channels=2, buffer=4096)

detector = cv2.CascadeClassifier('haarcascades\haarcascade_frontalface_default.xml')

mask_detector = cv2.CascadeClassifier('xml\cascade.xml')

class GUI:

def __init__(self):

self.camera = None # 攝像頭

self.root = Tk()

self.root.title('maskdetection')

self.root.geometry('%dx%d' % (800, 600))

self.createFirstPage()

mainloop()

def createFirstPage(self):

self.page1 = Frame(self.root)

self.page1.pack()

Label(self.page1, text='口罩追蹤系統', font=('粗體', 20)).pack()

image = Image.open("14.jpg") # 隨便使用一張圖片做背景界面 不要太大

photo = ImageTk.PhotoImage(image = image)

self.data1 = Label(self.page1, width=780,image = photo)

self.data1.image = photo

self.data1.pack(padx=5, pady=5)

self.button11 = Button(self.page1, width=18, height=2, text="深度學習算法", bg='red', font=("宋", 12),

relief='raise',command = self.createSecondPage1)

self.button11.pack(side=LEFT, padx=25, pady = 10)

self.button13.pack(side=LEFT, padx=25, pady = 10)

self.button14 = Button(self.page1, width=18, height=2, text="退出系統", bg='gray', font=("宋", 12),

relief='raise',command = self.quitMain)

self.button14.pack(side=LEFT, padx=25, pady = 10)

def createSecondPage1(self):

self.camera = cv2.VideoCapture(0)

self.page1.pack_forget()

self.page2 = Frame(self.root)

self.page2.pack()

Label(self.page2, text='實時追蹤口罩佩戴情況', font=('粗體', 20)).pack()

self.data2 = Label(self.page2)

self.data2.pack(padx=5, pady=5)

self.button21 = Button(self.page2, width=18, height=2, text="返回", bg='gray', font=("宋", 12),

relief='raise',command = self.backFirst)

self.button21.pack(padx=25,pady = 10)

self.video_loop1(self.data2)

def video_loop1(self, panela):

def slogan_short():

timeplay = 1.5

global playflag_short

playflag_short = 1

while playflag_short:

track = pygame.mixer.music.load(file_slogan_short)

print("------------請您戴好口罩")

pygame.mixer.music.play()

time.sleep(timeplay)

playflag_short = 0

time.sleep(0)

success, img = self.camera.read() # 從攝像頭讀取照片

if success:

img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

num,c,img = flow.inference(img, conf_thresh=0.5, iou_thresh=0.4, target_shape=(260, 260), draw_result=True,

show_result=False)

# 語音提示

# if(isinstance(num/5,int)& (c=='NoMask')):

# slogan_short()

# cv2.imshow('image', img)

# img = flow.inference(img, show_result=True, target_shape=(260, 260))

img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

cv2image = cv2.cvtColor(img, cv2.COLOR_BGR2RGBA) # 轉換顏色從BGR到RGBA

current_image = Image.fromarray(cv2image) # 將圖像轉換成Image對象

imgtk = ImageTk.PhotoImage(image=current_image)

panela.imgtk = imgtk

panela.config(image=imgtk)

self.root.after(1, lambda: self.video_loop1(panela))

def select_path(self):

self.pash_= askdirectory()

path = StringVar()

path.set(self.pash_)

def createSecondPage(self):

self.camera = cv2.VideoCapture(0)

self.page1.pack_forget()

self.page2 = Frame(self.root)

self.page2.pack()

Label(self.page2, text='實時追蹤口罩佩戴情況', font=('粗體', 20)).pack()

self.data2 = Label(self.page2)

self.data2.pack(padx=5, pady=5)

self.button21 = Button(self.page2, width=18, height=2, text="返回", bg='gray', font=("宋", 12),

relief='raise',command = self.backFirst)

self.button21.pack(padx=25,pady = 10)

self.video_loop(self.data2)

def video_loop(self, panela):

success, img = self.camera.read() # 從攝像頭讀取照片

if success:

faces = detector.detectMultiScale(img, 1.1, 3)

for (x, y, w, h) in faces:

# 參數分別為 圖片、左上角坐標，右下角坐標，顏色，厚度

face = img[y:y + h, x:x + w] # 裁剪坐標為[y0:y1, x0:x1]

mask_face = mask_detector.detectMultiScale(img, 1.1, 5)

for (x2, y2, w2, h2) in mask_face:

cv2.putText(img, 'mask', (x2 - 2, y2 - 2),

cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 255))

cv2.rectangle(img, (x2, y2), (x2 + w2, y2 + h2), (0, 0, 255), 2)

#img = mask.facesdetecter(img)

cv2image = cv2.cvtColor(img, cv2.COLOR_BGR2RGBA) # 轉換顏色從BGR到RGBA

#faces = detector.detectMultiScale(cv2image, 1.1, 3)

current_image = Image.fromarray(cv2image) # 將圖像轉換成Image對象

imgtk = ImageTk.PhotoImage(image=current_image)

panela.imgtk = imgtk

panela.config(image=imgtk)

self.root.after(1, lambda: self.video_loop(panela))

def backFirst(self):

self.page2.pack_forget()

self.page1.pack()

# 釋放攝像頭資源

self.camera.release()

cv2.destroyAllWindows()

def backMain(self):

self.root.geometry('900x600')

self.page3.pack_forget()

self.page1.pack()

def quitMain(self):

sys.exit(0)

if __name__ == '__main__':

demo = GUI()

插播一句，深度學習的項目目前完全開源，大家可以先體驗體驗：

https://demo.aizoo.com/face-mask-detection.html

深度學習(DL,?Deep?Learning)是機器學習(ML,?Machine?Learning)領域中一個新的研究方向，它被引入機器學習使其更接近于最初的目標——人工智能(AI,?Artificial?Intelligence)。

深度學習是學習樣本數據的內在規律和表示層次，這些學習過程中獲得的信息對諸如文字，圖像和聲音等數據的解釋有很大的幫助。它的最終目標是讓機器能夠像人一樣具有分析學習能力，能夠識別文字、圖像和聲音等數據。?深度學習是一個復雜的機器學習算法，在語音和圖像識別方面取得的效果，遠遠超過先前相關技術。

深度學習在搜索技術，數據挖掘，機器學習，機器翻譯，自然語言處理，多媒體學習，語音，推薦和個性化技術，以及其他相關領域都取得了很多成果。深度學習使機器模仿視聽和思考等人類的活動，解決了很多復雜的模式識別難題，使得人工智能相關技術取得了很大進步。

#!/usr/bin/env python

# -*- coding:utf-8 -*-

import cv2

# 測試打開攝像頭檢測跟蹤人臉

# 識別人臉的xml文件，構建人臉檢測器

detector = cv2.CascadeClassifier('haarcascades\haarcascade_frontalface_default.xml')

# 獲取0號攝像頭的實例

cap = cv2.VideoCapture(0)

while True:

# 就是從攝像頭獲取到圖像，這個函數返回了兩個變量，第一個為布爾值表示成功與否，以及第二個是圖像。

ret, img = cap.read()

#轉為灰度圖

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 獲取人臉坐標

faces = detector.detectMultiScale(gray, 1.1, 3)

for (x, y, w, h) in faces:

# 參數分別為 圖片、左上角坐標，右下角坐標，顏色，厚度

cv2.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 2)

cv2.imshow('Mask', img)

cv2.waitKey(3)

cap.release()

cv2.destroyAllWindows()

#!/usr/bin/env python

# -*- coding:utf-8 -*-

# -*- coding:utf-8 -*-

import cv2

import time

import argparse

import pygame

import numpy as np

from PIL import Image

from tensorflow.keras.models import model_from_json

from utils.anchor_generator import generate_anchors

from utils.anchor_decode import decode_bbox

from utils.nms import single_class_non_max_suppression

from load_model.tensorflow_loader import load_tf_model, tf_inference

# sess, graph = load_tf_model('FaceMaskDetection-master\models\face_mask_detection.pb')

sess, graph = load_tf_model('models/face_mask_detection.pb')

# anchor configuration

feature_map_sizes = [[33, 33], [17, 17], [9, 9], [5, 5], [3, 3]]

anchor_sizes = [[0.04, 0.056], [0.08, 0.11], [0.16, 0.22], [0.32, 0.45], [0.64, 0.72]]

anchor_ratios = [[1, 0.62, 0.42]] * 5

file_slogan = r'video/slogan.mp3'

file_slogan_short = r'video/slogan_short.mp3'

pygame.mixer.init(frequency=16000, size=-16, channels=2, buffer=4096)

# generate anchors

anchors = generate_anchors(feature_map_sizes, anchor_sizes, anchor_ratios)

# 用于推斷，批大小為1，模型輸出形狀為[1，N，4]，因此將錨點的dim擴展為[1，anchor_num，4]

anchors_exp = np.expand_dims(anchors, axis=0)

id2class = {0: 'Mask', 1: 'NoMask'}

def inference(image, conf_thresh=0.5, iou_thresh=0.4, target_shape=(160, 160), draw_result=True, show_result=True):

n = 0

n = n+1

''' 檢測推理的主要功能

#?：param image：3D numpy圖片數組

# ：param conf_thresh：分類概率的最小閾值。

# ：param iou_thresh：網管的IOU門限

# ：param target_shape：模型輸入大小。

# ：param draw_result：是否將邊框拖入圖像。

# ：param show_result：是否顯示圖像。

'''

# image = np.copy(image)

output_info = []

height, width, _ = image.shape

image_resized = cv2.resize(image, target_shape)

image_np = image_resized / 255.0 # 歸一化到0~1

image_exp = np.expand_dims(image_np, axis=0)

y_bboxes_output, y_cls_output = tf_inference(sess, graph, image_exp)

# remove the batch dimension, for batch is always 1 for inference.

y_bboxes = decode_bbox(anchors_exp, y_bboxes_output)[0]

y_cls = y_cls_output[0]

# 為了加快速度，請執行單類NMS，而不是多類NMS。

bbox_max_scores = np.max(y_cls, axis=1)

bbox_max_score_classes = np.argmax(y_cls, axis=1)

# keep_idx是nms之后的活動邊界框。

keep_idxs = single_class_non_max_suppression(y_bboxes, bbox_max_scores, conf_thresh=conf_thresh,

iou_thresh=iou_thresh)

for idx in keep_idxs:

conf = float(bbox_max_scores[idx])

class_id = bbox_max_score_classes[idx]

bbox = y_bboxes[idx]

# 裁剪坐標，避免該值超出圖像邊界。

xmin = max(0, int(bbox[0] * width))

ymin = max(0, int(bbox[1] * height))

xmax = min(int(bbox[2] * width), width)

ymax = min(int(bbox[3] * height), height)

if draw_result:

if class_id == 0:

color = (0, 255, 0)

else:

color = (255, 0, 0)

cv2.rectangle(image, (xmin, ymin), (xmax, ymax), color, 2)

cv2.putText(image, "%s: %.2f" % (id2class[class_id], conf), (xmin + 2, ymin - 2),

cv2.FONT_HERSHEY_SIMPLEX, 1, color)

output_info.append([class_id, conf, xmin, ymin, xmax, ymax])

if show_result:

Image.fromarray(image).show()

# return output_info

return n,id2class,image

# 讀取攝像頭或者本地視頻路徑并處理

def run_on_video(video_path, output_video_name, conf_thresh):

cap = cv2.VideoCapture(video_path)

height = cap.get(cv2.CAP_PROP_FRAME_HEIGHT)

width = cap.get(cv2.CAP_PROP_FRAME_WIDTH)

fps = cap.get(cv2.CAP_PROP_FPS)

fourcc = cv2.VideoWriter_fourcc(*'XVID')

# writer = cv2.VideoWriter(output_video_name, fourcc, int(fps), (int(width), int(height)))

total_frames = cap.get(cv2.CAP_PROP_FRAME_COUNT)

if not cap.isOpened():

raise ValueError("Video open failed.")

return

status = True

idx = 0

while status:

start_stamp = time.time()

status, img_raw = cap.read()

img_raw = cv2.cvtColor(img_raw, cv2.COLOR_BGR2RGB)

read_frame_stamp = time.time()

if (status):

inference(img_raw,

conf_thresh,

iou_thresh=0.5,

target_shape=(260, 260),

draw_result=True,

show_result=False)

cv2.imshow('image', img_raw[:, :, ::-1])

cv2.waitKey(1)

inference_stamp = time.time()

# writer.write(img_raw)

write_frame_stamp = time.time()

idx += 1

print("%d of %d" % (idx, total_frames))

print("read_frame:%f, infer time:%f, write time:%f" % (read_frame_stamp - start_stamp,

inference_stamp - read_frame_stamp,

write_frame_stamp - inference_stamp))

# writer.release()

'''

if __name__ == "__main__":

parser = argparse.ArgumentParser(description="Face Mask Detection")

parser.add_argument('--img-mode', type=int, default=0,

help='set 1 to run on image, 0 to run on video.') # 這里設置為1：檢測圖片；還是設置為0：視頻文件（實時圖像數據）檢測

parser.add_argument('--img-path', type=str, help='path to your image.')

parser.add_argument('--video-path', type=str, default='0', help='path to your video, `0` means to use camera.')

# parser.add_argument('--hdf5', type=str, help='keras hdf5 file')

args = parser.parse_args()

if args.img_mode:

imgPath = args.img_path

# img = cv2.imread("imgPath")

img = cv2.imread(imgPath)

img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

inference(img, show_result=True, target_shape=(260, 260))

else:

video_path = args.video_path

if args.video_path == '0':

video_path = 0

run_on_video(video_path, '', conf_thresh=0.5)

'''

由于代碼過多無法詳細展開，如有疑問歡迎大家在評論區留言，共同探討問題。

代碼源碼地址：

基于tenforflow的口罩識別項目-Python文檔類資源-CSDN下載

本項目僅供學習參考，如有侵權告知立刪

機器學習 深度學習

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。