Apres avoir finit mon dernier tutoriel sur les panorama, j'ai pensais à une autre utilisation du double servo moteurs, afin de suivre une personne automatiquement, le raspberry pi serait le cameraman et moi l'acteur, je n'aurrais qu'a jouer mon rôle, grâce à opencv et les gpio du raspberry pi tout cela est possible.

Premièrement je vous indiquerais comment installer la derniere version d'opencv 3.1 en ce jour sur un raspberry pi.

Puis comment je vais pouvoir avec opencv m'identifier sur une simple image, quel algorithme et avec une performance acceptable car la reconnaissance doit se faire en temp réel.

Comment je vais utiliser le fait de me traquer et de bouger la camera en même temp, il y aura beaucoup de flou, est-ce que je traite une image flou ?, ou avec un traitement d'image (Sobel) je peux deduire qu'une image est flou et ne pas traiter, faire du traitement d'image sur une camera qui bouge dans tout les sens ne va pas être facile, mais on peut déja exclure la reconnaissance de mouvement (OMG, etc) car l'image n'est pas fixe et l'arriere plan aussi.

Question de performance, quel algo sera le meilleur ?

sudo apt-get -q -y update
sudo apt-get -q -y install build-essential
sudo apt-get -q -y install cmake 
sudo apt-get -q -y install pkg-config 
sudo apt-get -q -y install libpng12-0 libpng12-dev libpng++-dev libpng3 
sudo apt-get -q -y install libpnglite-dev libpngwriter0-dev libpngwriter0c2 
sudo apt-get -q -y install zlib1g-dbg zlib1g zlib1g-dev 
sudo apt-get -q -y install pngtools libtiff4-dev libtiff4 libtiffxx0c2 libtiff-tools 
sudo apt-get -q -y install libjpeg8 libjpeg8-dev libjpeg8-dbg libjpeg-progs 
sudo apt-get -q -y install ffmpeg libavcodec-dev libavcodec52 libavformat52 libavformat-dev 
sudo apt-get -q -y install libgstreamer0.10-0-dbg libgstreamer0.10-0  libgstreamer0.10-dev 
sudo apt-get -q -y install libxine1-ffmpeg  libxine-dev libxine1-bin 
sudo apt-get -q -y install libunicap2 libunicap2-dev 
sudo apt-get -q -y install libdc1394-22-dev libdc1394-22 libdc1394-utils 
sudo apt-get -q -y install swig 
sudo apt-get -q -y install libv4l-0 libv4l-dev 
sudo apt-get -q -y install python-numpy 
sudo apt-get -q -y install libpython2.6 python-dev python2.6-dev 
sudo apt-get -q -y install libpython2.7 python-dev python2.7-dev 
sudo apt-get -q -y install libgtk2.0-dev pkg-config
sudo apt-get -q -y install mplayer

Allez sur ce lien Téléchargez la dernière version de opencv

Extraire le dossier et y rentrer

Executez ceci

mkdir release
cd release
cmake -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local -D BUILD_PYTHON_SUPPORT=ON -D BUILD_EXAMPLES=ON ..
make
sudo make install 

Après une bonne heure de compilation, vous avez opencv utilisable

On aurrait pu utiliser la detection de mouvement décrit dans ce tuto en éliminant au préalable l'arrière plan, mais ceci n'est possible qu'avec un plan fixe, or ce n'est pas le cas içi. Mais on utilisera ceçi dans un prochain tuto, …

Le choix à été fait sur l'utilisation d'une reconnaissance de visage. voir ce lien pour plus d'info.

En effet ca s'approche de ce que Yolo peut faire en temp réel, c'est du deep learning, on peut entrainer l'algorithme à reconnaitre ce qu'on veut spécifiquement. Voir ce lien pour plus d'info.

On aurra pour faire ce tuto pas besoin d'entrainer l'algorithme car des fichiers existe déja pour reconnaître diverses partie du corps humain.

Vous avez tous les fichiers dans le repertoire /usr/local/share/OpenCV/haarcascades/

Nous nous concentrerons sur le fichier haarcascade_frontalface_default.xml pour suivre les visages.

Utilisons tous ceci pour voir ce que ça donne sur une image de foule prise sur google image.

Import basique opencv

import numpy as np
import cv2

Chargement de la video et de cascade

face_cascade = cv2.CascadeClassifier('haarcascades/haarcascade_frontalface_default.xml')
# face_cascade = cv2.CascadeClassifier('haarcascades/haarcascade_lowerbody.xml')
 
cap = cv2.VideoCapture(0)
width =cap.get(cv2.CAP_PROP_FRAME_WIDTH)
height =cap.get(cv2.CAP_PROP_FRAME_HEIGHT)

Pour chaque frame du stream, on detect les visages, on les entoures, et on dessines un point au centre de chaque rectangle/visage car permettront de centrer la camera sur un visage. On quite en appuyant sur q pour quit

while(1):
 
    ret, img = cap.read()
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
 
    faces = face_cascade.detectMultiScale(gray, 1.3, 5)
    print(faces)
    continue
    for (x, y, w, h) in faces:
        cv2.rectangle(img, (x, y), (x+w, y+h), (255, 0, 0), 2)
        middle =[cv2.KeyPoint(x +w /2, y +h /2, 1)]
        img =cv2.drawKeypoints(img, middle, img)
        # roi_gray = gray[y:y+h, x:x+w]
        # roi_color = img[y:y+h, x:x+w]
        # eyes = eye_cascade.detectMultiScale(roi_gray)
        # for (ex,ey,ew,eh) in eyes:
        #     cv2.rectangle(roi_color,(ex,ey),(ex+ew,ey+eh),(0,255,0),2)
    cv2.imshow('img', img)
 
    k = cv2.waitKey(30) & 0xff
    if k == 27:
        break

Pour finir on enregistre la dernière image et on free les fenêtres.

cv2.imwrite("haarDetection.jpg", img)
# cv2.waitKey(0)
cv2.destroyAllWindows()

On regarde ce que ça donne sur une image de foule

Le résultat est pas mal, ca suffira, et j'arrive a faire du 10fps en utilisant mon pc et non le raspberry pi, donc on verra par la suite, si jamais le raspberry pi n'est pas asser rapide on pourra faire un programme déporté sur un pc, à voir…

Prenons l'exemple ou je vois avec opencv qu'un visage se trouve à une coordonnée telle que x=50 y=100. Je connais la taille de l'image donc le point milieu. Mais comment je sais de combien de degree j'incline mes deux servos ???

Pour cela faisons un petit rappel géometrique de collège

En attente …