Algorithme de reconnaissance de visage.md

##ALGORITHME DE RECONNAISSANCE DE VISAGE

Le code suivant est utilisé pour ajouter un algorithme de reconnaissance de visage à la presentation du robot..
Pour l’utilisation il faut avoir:

    - OpenCV installé
sudo apt-get install python-opencv
    - caméra en service
    - le fichier haarcascade_frontalface_alt2.xml dans le même dossier où il y a le code

cd Bureau/poppy/my_code
python presentation_with_camera.py

“presentation_with_camera.py”

##def Recognition():

cascPath = os.getcwd()+'/haarcascades/haarcascade_frontalface_alt2.xml' # Name of the file from which the classifier is <BR> loaded. It is a trained classifier for detecting faces <BR>
faceCascade = cv2.CascadeClassifier(cascPath) #Object detector <BR>
video_capture = cv2.VideoCapture(0) #It sets the video source to the default webcam <BR>
flag = 1 <BR>
print 'Press Ctrl-C to stop the current program' <BR>
try: <BR>
	while True: <BR>
	    # Capture frame-by-frame <BR>
		ret, frame = video_capture.read() <BR>
		if not ret: continue <BR>
	    	gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) #Converts an image from one color space to another <BR>
	    	faces = faceCascade.detectMultiScale(  <BR>
			gray, # Matrix of the type CV_8U containing an image where objects are detected <BR>
			scaleFactor=1.1, #Parameter specifying how much the image size is reduced at each image scale  <BR>
			minNeighbors=5, #Parameter specifying how many neighbors each candidate rectangle should have to retain it <BR>
			minSize=(40, 40), <BR>
			#minSize=(30, 30),# Minimum possible object size. Objects smaller than that are ignored <BR>
			flags=cv2.cv.CV_HAAR_SCALE_IMAGE <BR>
	    	) # It detects objects of different sizes in the input image. The detected objects are returned as a list of <BR> rectangles <BR>
		faces2= list(faces)	# It changes the face object in list type to simplify the If loop.	 <BR>
		if not faces2: <BR>
			print 'no face' <BR>
		else: <BR>
			print 'got face' <BR>
			flag = flag + 1 <BR>
			if flag is 10: #the robot move after 9 positive results <BR>
				k[idm54].goto_position(80, 2.0)  <BR>
				k[idm51].goto_position(-100, 2.0) <BR>
				flag= 11 <BR>
	    # Draw a rectangle around the faces <BR>
		for (x, y, w, h) in faces: <BR>
			cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2) <BR>
	    # Display the resulting frame <BR>
		cv2.imshow('Video', frame) <BR>
		if cv2.waitKey(1) & 0xFF == ord('q'): <BR>
			break <BR>
# When everything is done, release the capture <BR>
except KeyboardInterrupt: <BR>
	video_capture.release() <BR>
	cv2.destroyAllWindows()	 <BR>
	BackPosition() <BR>
	pass <BR>

Le détecteur d'objet décrit a été initialement proposée par Paul Viola et développé par Rainer Lienhart. Tout d’abord, un classificateur est formé avec quelques images d’example d'un objet particulier (dans ce cas un visage) appelés exemples positifs qui ont tous la même taille (par exemple, 30x30), et des exemples négatifs qui sont images arbitraires de la même taille. Après que le classificateur est formé, il peut être appliqué à une région d’intérêt. Le classificateur est conçu de sorte qu'il peut être facilement redimensionné afin de trouver les objets d’intérêt des tailles différentes, ce qui est plus efficace que le redimensionnement de l'image elle-même. Le mot “cascade" signifie que le classificateur se compose de plusieurs classificateurs similaires (étapes) qui sont appliqués à une région d'intérêt jusqu'à que le candidat est rejeté ou toutes les étapes sont croisées. Les classificateurs de base sont classificateurs ‘decision-tree’ avec au moins 2 branches.

Paramètres

    - scaleFactor: le modèle a une taille fixe définie au cours de la formation, qui est visible dans le
      “/haarcascades/haarcascade_frontalface_alt2.xml”. Ça signifie que cette taille de visage
     est détecté dans l'image d’origine mais on peut redimensionner une grande face à
      uneplus petite qui est détectable pour l'algorithme.
      1,1 est une bonne valeur possible parce que vous augmentez les chances de
      trouver une image de taille correspondant au modèle de détection.

    - minNeighbors: Ce paramètre aura une incidence sur la qualité des visages détectés.
      Avec une valeur haute on a moins détections mais avec une qualité supérieure.

    - minSize: Objets plus petits que cette valeur sont ignorés. On peut voir un exemple dans les images suivants:

                   [] (http://147.210.74.152/Poppy/10_face_recognition/f17.tiff)