Labmartの顔認証を実装してみる
この記事は，CPS Labo Advent Calendar 2018の14日目の記事です．
13日目の記事はこちら
ご挨拶
こんにちは，B3のanzyです．この度無事CPSに配属されました．よろしくお願いします．
Labmart is 何？
こちらをご覧ください．
顔認証システム
流れはこうです．
webcamが起動 → 顔検出 → 予測 → いわいっぺい！
開発環境
python3.5.2
ubuntu16.04
webカメラから画像を抽出
cap = cv2.VideoCapture(int(cameraid))
簡単ですね．あとはcap.read()をすれば1フレームを読み込むことが可能です．
リサイズとグレースケール化
frame = cv2.resize(frame, (int(frame.shape[1]*0.7), int(frame.shape[0]*0.7)))
# 処理速度を高めるために画像をグレースケールに変換したものを用意
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
画像サイズが大きいと処理が重くなってしまいます．リサイズとグレースケール化してあげます．
顔検出
簡単ですね．これだけで顔を検出できます．
Haar like特徴量とは(専門でなければ飛ばす)
Haar like特徴量とは，よくわかりませんがここが全てです．
簡単に説明すると，
- 探索窓の任意の位置に矩形領域を配置する．
- 矩形領域に任意のパターンを設定する．
- パターンの黒領域、白領域それぞれの画素値の和の平均
を求める． - それらの差を特徴量
とする． - 矩形領域の位置・サイズ・パターンを変えて繰り返す．
- 検索窓の位置を変えて上記を繰り返す．
こうして無数の特徴量Hを得られました．お疲れ様です．
予測
recognizer = cv2.face.LBPHFaceRecognizer_create()
def test_get_images_and_labels(image):
face = np.array(image, 'uint8')
label, confidence = recognizer.predict(face)
return label, confidence
label,con = test_get_images_and_labels(cv2.resize(face_gray,(200, 200),
interpolation=cv2.INTER_LINEAR))
LBPHとはLocal Binary Patterns Histogramの略です．顔を小さなセルに分割し、それぞれのエリアのヒストグラムを比較します。
参考記事
labelが特定した人のid，conが信頼度みたいなものです．
conの閾値を設けることで，よりセキュア(?)な認証になります．今回は経験則から60以下としました．
さらに，labelが30フレーム連続で同一人物であるなどの条件をいくつか設けています．
いわいっぺい
こうして，ボスのイケボな「いわいっぺい」を聞くことができます．
まとめ
まだまだ，決算システムとしては未熟です．
顔を登録して顔認証してもらうと分かると思いますが，高確率で私のidになってしまいます．顔が平べったいからかもしれない
vueオタクとまた残留して頑張りたいと思います．
おわり
