Lab12 - Detector dlib

Objetivos da aula:

• apresentar e aplicar o dlib para detecção de face

Não se vive vive apenas de HAAR CASCADE

Muito obrigado Viola e Jones! Se não fosse por vocês não teriamos hoje outras bibliotecas tão incriveis para detecção de face quanto Haar Cascade.

Atualmente temos disponíveis para uso outras diversas redes já treinadas para detecção não apenas de face mas tambem de mãos, corpo, objetos.....

Vou destacar algumas redes:

Dlib C++

MTCNN

Media Pipe

Cada uma das redes acima aplica usam técnicas de machine learning na etapa de treinamento para realizar a detecção essas redes dentre outras coisas conseguem realizar a deteção de face. Hoje vamos da destaque especial para a rede Dlid. Como sugestão leia a documetação e aprenda a usar as rede MTCNN e Media Pipe para descobrir qual é mais rápida, mais leve ou mais acurada.

Dlib¶

A Dlib, além de realizar a predição para detectar uma face, ela consegue ressaltar alguns pontos da face. Esses pontos de destaque são chamados de landmarks, a Dlib consegue encontrar 68 pontos da face como cantos dos olhos, sobrancelhas, boca e ponta do nariz.

Cada landmark devolve uma coordenada da posição (x,y) da imagem.

Instalação Dlib¶

no linux, a instalação é feita com o comando:

pip install dlib
    

Verificação da instalação¶

pode ser necessário instalar alguns pacotes extras:

!sudo apt-get update
!sudo apt-get install -y build-essential cmake
!sudo apt-get install -y libopenblas-dev liblapack-dev
!sudo apt-get install -y libx11-dev libgtk-3-dev
!pip install dlib

Para instalar a biblioteca dlib no Windows localmente, você pode seguir estes passos:¶

1. Instale o CMake: dlib requer CMake para ser compilado. Você pode baixar e instalar o CMake a partir do site oficial: https://cmake.org/download/. Certifique-se de adicionar o CMake ao seu PATH durante a instalação.

2. Instale o Visual Studio: dlib precisa de um compilador C++ para ser compilado no Windows. Você pode usar o Visual Studio Community Edition, que é gratuito para uso pessoal. Certifique-se de incluir o desenvolvimento em C++ durante a instalação. Você pode baixá-lo aqui: https://visualstudio.microsoft.com/vs/community/.

3. Instale a dlib: Abra um prompt de comando (CMD) ou PowerShell e execute o seguinte comando para instalar a dlib:

pip install dlib

Esse comando deve compilar e instalar a dlib. Dependendo do seu sistema, esse processo pode levar algum tempo.

4. Verifique a instalação: Após a instalação, você pode verificar se a dlib foi instalada corretamente abrindo um terminal ou prompt de comando e executando o seguinte comando Python:

python -c "import dlib; print(dlib.__version__)"

Se tudo estiver correto, esse comando deve imprimir a versão da dlib instalada sem gerar erros.

In [2]:

## Vou fazer o download das imagens do laboratório diretamente do repositório para usar no colab mais facil....
import requests

# Definie o modulo e o laboratório
modulo ='PDI/'
laboratorio = 'lab16'

# URL da API do GitHub para a pasta do repositório
api_url = "https://api.github.com/repos/arnaldojr/cognitivecomputing/contents/material/aulas/"

# Monta a URL completa
url_completa = api_url + modulo + laboratorio

print(f"Fazendo o download de: {url_completa}")

# Requisição para obter a lista de arquivos na pasta
response = requests.get(url_completa)
files = response.json()

# Fazer o download de cada arquivo de imagem
for file in files:
    file_name = file['name']
    if file_name.endswith(('.png', '.jpg', '.jpeg', '.mp4')):  # Adicione mais extensões se necessário
        file_url = file['download_url']
        print(f"Baixando {file_name}...")
        !wget -q {file_url} -P /content

print("Download concluído.")

!wget -q https://raw.githubusercontent.com/arnaldojr/cognitivecomputing/master/material/aulas/PDI/lab13/admiravelmundonovo.mp4 /content

## Vou fazer o download das imagens do laboratório diretamente do repositório para usar no colab mais facil.... import requests # Definie o modulo e o laboratório modulo ='PDI/' laboratorio = 'lab16' # URL da API do GitHub para a pasta do repositório api_url = "https://api.github.com/repos/arnaldojr/cognitivecomputing/contents/material/aulas/" # Monta a URL completa url_completa = api_url + modulo + laboratorio print(f"Fazendo o download de: {url_completa}") # Requisição para obter a lista de arquivos na pasta response = requests.get(url_completa) files = response.json() # Fazer o download de cada arquivo de imagem for file in files: file_name = file['name'] if file_name.endswith(('.png', '.jpg', '.jpeg', '.mp4')): # Adicione mais extensões se necessário file_url = file['download_url'] print(f"Baixando {file_name}...") !wget -q {file_url} -P /content print("Download concluído.") !wget -q https://raw.githubusercontent.com/arnaldojr/cognitivecomputing/master/material/aulas/PDI/lab13/admiravelmundonovo.mp4 /content

Fazendo o download de: https://api.github.com/repos/arnaldojr/cognitivecomputing/contents/material/aulas/PDI/lab16
Baixando boca.png...
Baixando installdlib.png...
Baixando landmark.png...
Baixando lena.png...
Download concluído.

Deteção de faces com o dlib¶

Vamos fazer o nosso "Hello World" usando a Dlib, neste caso, vamos implementar um detector de face simples.

Note que o método é bem similar ao que já conhecemos, a lista de faces detectadas é um pouco diferente.

In [3]:

%matplotlib inline
import cv2
from matplotlib import pyplot as plt

import dlib

# carrega uma imagem para detectar o rosto
img1 = cv2.imread('lena.png')
img1_gray = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)

# Inicializa o detector dlib
detector = dlib.get_frontal_face_detector()

# Faz deteção das faces
faces = detector(img1_gray)

print(faces)


for face in faces:
        x,y = face.left(), face.top()  # topo esquerda
        x1,y1 = face.right(), face.bottom() #baixo direita

        cv2.rectangle(img1, (x, y), (x1, y1), (0, 255, 0), 1)


# Exibe imagem
plt.figure(figsize = (10,10))
plt.imshow(cv2.cvtColor(img1,cv2.COLOR_BGR2RGB)); plt.show();

%matplotlib inline import cv2 from matplotlib import pyplot as plt import dlib # carrega uma imagem para detectar o rosto img1 = cv2.imread('lena.png') img1_gray = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY) # Inicializa o detector dlib detector = dlib.get_frontal_face_detector() # Faz deteção das faces faces = detector(img1_gray) print(faces) for face in faces: x,y = face.left(), face.top() # topo esquerda x1,y1 = face.right(), face.bottom() #baixo direita cv2.rectangle(img1, (x, y), (x1, y1), (0, 255, 0), 1) # Exibe imagem plt.figure(figsize = (10,10)) plt.imshow(cv2.cvtColor(img1,cv2.COLOR_BGR2RGB)); plt.show();

rectangles[[(228, 228) (377, 377)]]

Detecção dos landmarks da face¶

Para predição dos landmarks uma rede neural já treinada é utilizada, serão preditos 68 pontos da face.

Para carregar os pesos da rede é necessário fazer o download em:

hape_predictor_68_face_landmarks.dat

Dlib positions¶

• ("mouth", (48, 68)),
• ("right_eyebrow", (17, 22)),
• ("left_eyebrow", (22, 27)),
• ("right_eye", (36, 42)),
• ("left_eye", (42, 48)),
• ("nose", (27, 35)),
• ("jaw", (0, 17))

In [7]:

# usando o linux fica facil fazer o download...
print(f"Baixando pesos da rede...")

!wget -q http://dlib.net/files/shape_predictor_68_face_landmarks.dat.bz2 /content
!bzip2 -d shape_predictor_68_face_landmarks.dat.bz2

print(f"Download completo.")

# usando o linux fica facil fazer o download... print(f"Baixando pesos da rede...") !wget -q http://dlib.net/files/shape_predictor_68_face_landmarks.dat.bz2 /content !bzip2 -d shape_predictor_68_face_landmarks.dat.bz2 print(f"Download completo.")

Baixando pesos da rede...
bzip2: Output file shape_predictor_68_face_landmarks.dat already exists.
Download completo.

In [8]:

%matplotlib inline
import cv2
from matplotlib import pyplot as plt

import dlib

# carrega uma imagem para detectar o rosto
img1 = cv2.imread('lena.png')

img1_gray = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)

# Inicializa o detector dlib
detector = dlib.get_frontal_face_detector()

# Inicializa o identificador de Landmark identifier. Você ter esse arquiva na pasta do projeto
predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")

# Faz deteção das faces
faces = detector(img1_gray)

print("Numeros de faces detectadas: {}".format(len(faces)))

# para todas faces detectadas
for face in faces:
  print("Left: {} Top: {} Right: {} Bottom: {}".format(
            face.left(), face.top(), face.right(), face.bottom()))
  # Faz a predição dos landmarks
  shape = predictor(img1_gray, face)

  # shape é uma lista de tupla com as posições (x, y) dos landmarks
  print("\nAo todo são: {} landmarks \n\nEsses são landmarks: {} ".format(len(shape.parts()) , shape.parts()))

%matplotlib inline import cv2 from matplotlib import pyplot as plt import dlib # carrega uma imagem para detectar o rosto img1 = cv2.imread('lena.png') img1_gray = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY) # Inicializa o detector dlib detector = dlib.get_frontal_face_detector() # Inicializa o identificador de Landmark identifier. Você ter esse arquiva na pasta do projeto predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat") # Faz deteção das faces faces = detector(img1_gray) print("Numeros de faces detectadas: {}".format(len(faces))) # para todas faces detectadas for face in faces: print("Left: {} Top: {} Right: {} Bottom: {}".format( face.left(), face.top(), face.right(), face.bottom())) # Faz a predição dos landmarks shape = predictor(img1_gray, face) # shape é uma lista de tupla com as posições (x, y) dos landmarks print("\nAo todo são: {} landmarks \n\nEsses são landmarks: {} ".format(len(shape.parts()) , shape.parts()))

Numeros de faces detectadas: 1
Left: 228 Top: 228 Right: 377 Bottom: 377

Ao todo são: 68 landmarks 

Esses são landmarks: points[(209, 268), (207, 291), (207, 315), (211, 337), (221, 357), (238, 373), (255, 385), (275, 394), (293, 395), (306, 388), (315, 373), (322, 358), (330, 343), (338, 326), (345, 311), (349, 294), (349, 279), (242, 250), (256, 244), (271, 243), (285, 247), (298, 254), (327, 257), (334, 251), (342, 248), (349, 246), (355, 250), (312, 271), (313, 287), (315, 303), (317, 319), (295, 326), (302, 328), (309, 330), (315, 329), (320, 326), (255, 267), (265, 261), (278, 262), (285, 272), (275, 275), (263, 274), (318, 273), (327, 263), (337, 262), (342, 268), (338, 275), (328, 276), (267, 350), (285, 348), (299, 345), (305, 347), (310, 345), (315, 347), (319, 349), (313, 357), (308, 362), (302, 364), (295, 364), (282, 360), (273, 352), (297, 352), (304, 353), (309, 352), (315, 351), (309, 351), (304, 352), (297, 352)] 

In [9]:

%matplotlib inline
import cv2
from matplotlib import pyplot as plt

import dlib

# carrega uma imagem para detectar o rosto
img1 = cv2.imread('lena.png')

img1_gray = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)

# Inicializa o detector dlib
detector = dlib.get_frontal_face_detector()

# Inicializa o identificador de Landmark identifier. Você ter esse arquiva na pasta do projeto
predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")

# Faz deteção das faces
faces = detector(img1_gray)

#print("Numeros de faces detectadas: {}".format(len(faces)))

# para todas faces detectadas
for face in faces:
  # print("Left: {} Top: {} Right: {} Bottom: {}".format(
  #           face.left(), face.top(), face.right(), face.bottom()))
  # Faz a predição dos landmarks
  shape = predictor(img1_gray, face)

  # shape é uma lista de tupla com as posições (x, y) dos landmarks
  # da uma olhada na quantidade total e nos 3 primeiros
  # print(len(shape.parts()) , shape.parts()[0:3])

###---- varendo os landmarks e fazendo a marcação na imagem----###

  for i in range(len(shape.parts())): #São 68 landmark detectados por face
      # Desenha um circulo e exibe o indice do landmark
      # shape.part(i).x devolve o valor x da coordenada
#      print("mark: {} coordenada x: {}, coordenada y: {}".format(i+1, shape.part(i).x, shape.part(i).y))

      # desenha um circulo na coordenada do laandmark
      cv2.circle(img1, (shape.part(i).x, shape.part(i).y), 1, (0,255,0), thickness=-1)

      # Escreve o indice de cada landmark na imagem
      cv2.putText(img1, str(i+1), (shape.part(i).x,shape.part(i).y), fontFace=cv2.FONT_HERSHEY_SCRIPT_SIMPLEX, fontScale=0.3, color=(0, 0, 255))


# Exibe imagem
plt.figure(figsize = (10,10))
plt.imshow(cv2.cvtColor(img1,cv2.COLOR_BGR2RGB)); plt.show();

%matplotlib inline import cv2 from matplotlib import pyplot as plt import dlib # carrega uma imagem para detectar o rosto img1 = cv2.imread('lena.png') img1_gray = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY) # Inicializa o detector dlib detector = dlib.get_frontal_face_detector() # Inicializa o identificador de Landmark identifier. Você ter esse arquiva na pasta do projeto predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat") # Faz deteção das faces faces = detector(img1_gray) #print("Numeros de faces detectadas: {}".format(len(faces))) # para todas faces detectadas for face in faces: # print("Left: {} Top: {} Right: {} Bottom: {}".format( # face.left(), face.top(), face.right(), face.bottom())) # Faz a predição dos landmarks shape = predictor(img1_gray, face) # shape é uma lista de tupla com as posições (x, y) dos landmarks # da uma olhada na quantidade total e nos 3 primeiros # print(len(shape.parts()) , shape.parts()[0:3]) ###---- varendo os landmarks e fazendo a marcação na imagem----### for i in range(len(shape.parts())): #São 68 landmark detectados por face # Desenha um circulo e exibe o indice do landmark # shape.part(i).x devolve o valor x da coordenada # print("mark: {} coordenada x: {}, coordenada y: {}".format(i+1, shape.part(i).x, shape.part(i).y)) # desenha um circulo na coordenada do laandmark cv2.circle(img1, (shape.part(i).x, shape.part(i).y), 1, (0,255,0), thickness=-1) # Escreve o indice de cada landmark na imagem cv2.putText(img1, str(i+1), (shape.part(i).x,shape.part(i).y), fontFace=cv2.FONT_HERSHEY_SCRIPT_SIMPLEX, fontScale=0.3, color=(0, 0, 255)) # Exibe imagem plt.figure(figsize = (10,10)) plt.imshow(cv2.cvtColor(img1,cv2.COLOR_BGR2RGB)); plt.show();

Desafio 1¶

Implemente um código que faz o crop de uma das regiões preditas.

Exemplo: crop da boca, sobrancelha, olho, nariz ou boca.

In [ ]:

### Implemente sua solução aqui...

### Implemente sua solução aqui...

Desafio 2¶

Faça um código capaz de detectar em tempo real as landmarks face pela webcam.

Não faça no colab¶

In [ ]:

### Implemente sua solução em um arquivo .py

## não faça no colab
## não faça no colab
## não faça no colab
## não faça no colab
## não faça no colab

### Implemente sua solução em um arquivo .py ## não faça no colab ## não faça no colab ## não faça no colab ## não faça no colab ## não faça no colab

Desafio extra¶

Altere o aquivo de pesos da rede para rede shape_predictor_5_face_landmarks e análise o tempo de resposta da rede. Ficou mais rápida a detecção, a mesma coisa ou mais lenta?

In [ ]:

### Implemente sua solução em um arquivo .py

### Implemente sua solução em um arquivo .py

Tracking¶

O tracking de objetos ou de faces possui diversas aplicações.O rastreamento de objetos tenta estimar a trajetória do alvo ao longo da sequência de vídeo onde apenas a localização inicial de um alvo é conhecida. Basicamente o custo computacional para realização de rastreamento de um objeto é muito menor, o que é crítico em aplicativos em tempo real, comparado ao custo computacional para a detecção de um objeto, onde a cada frame é realizado a detecção do zero.

Uma técnica muito poderosa para a realização de rastreamento é DCF (discriminative correlation filter).A biblioteca dlib implementa um rastreador baseado em DCF, que é fácil de usar para rastreamento de faces ou objetos.

Artigo bacana para se aprofundar na teoria: https://arxiv.org/pdf/1611.08461.pdf

Rastreamento de objetos¶

In [ ]:

import cv2
import dlib


def draw_text_info():
    """Função para escrever na tela as instruções de uso"""

    menu_pos = (10, 20)
    menu_pos_2 = (10, 40)
    menu_pos_3 = (10, 60)
    info_1 = "Selecione com o mouse o objeto para rastreamento"
    info_2 = "Use '1' para start, '2' para reset"

    cv2.putText(frame, info_1, menu_pos, cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255))
    cv2.putText(frame, info_2, menu_pos_2, cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255))
    if tracking_state:
        cv2.putText(frame, "Rastreando...", menu_pos_3, cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0))
    else:
        cv2.putText(frame, "Não rastreando", menu_pos_3, cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255))



points = []


# Função de callback do mouse
def mouse_click(event, x, y, flags, param):
    global points

    if event == cv2.EVENT_LBUTTONDOWN:
        points = [(x, y)]

    elif event == cv2.EVENT_LBUTTONUP:
        points.append((x, y))



capture = cv2.VideoCapture(0)


window_name = "tracking"
cv2.namedWindow(window_name)
cv2.setMouseCallback(window_name, mouse_click)

# Inicializa metodo de correlação de rastreamento
tracker = dlib.correlation_tracker()

# Variavel de estado
tracking_state = False

while True:
    ret, frame = capture.read()

    draw_text_info()

    # Se objeto esta selecionado
    if len(points) == 2:
        cv2.rectangle(frame, points[0], points[1], (0, 0, 255), 3)
        dlib_rectangle = dlib.rectangle(points[0][0], points[0][1], points[1][0], points[1][1])

    # Se é pra rastrear
    if tracking_state == True:
        tracker.update(frame)
        pos = tracker.get_position()
        cv2.rectangle(frame, (int(pos.left()), int(pos.top())), (int(pos.right()), int(pos.bottom())), (0, 255, 0), 3)

    # lê teclado
    key = 0xFF & cv2.waitKey(1)

    # '1' start
    if key == ord("1"):
        if len(points) == 2:
            # Start tracking:
            tracker.start_track(frame, dlib_rectangle)
            tracking_state = True
            points = []

    # '2' reset
    if key == ord("2"):
        points = []
        tracking_state = False

    if key == ord('q'):
        break

    cv2.imshow(window_name, frame)

# Release everything:
capture.release()
cv2.destroyAllWindows()

import cv2 import dlib def draw_text_info(): """Função para escrever na tela as instruções de uso""" menu_pos = (10, 20) menu_pos_2 = (10, 40) menu_pos_3 = (10, 60) info_1 = "Selecione com o mouse o objeto para rastreamento" info_2 = "Use '1' para start, '2' para reset" cv2.putText(frame, info_1, menu_pos, cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255)) cv2.putText(frame, info_2, menu_pos_2, cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255)) if tracking_state: cv2.putText(frame, "Rastreando...", menu_pos_3, cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0)) else: cv2.putText(frame, "Não rastreando", menu_pos_3, cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255)) points = [] # Função de callback do mouse def mouse_click(event, x, y, flags, param): global points if event == cv2.EVENT_LBUTTONDOWN: points = [(x, y)] elif event == cv2.EVENT_LBUTTONUP: points.append((x, y)) capture = cv2.VideoCapture(0) window_name = "tracking" cv2.namedWindow(window_name) cv2.setMouseCallback(window_name, mouse_click) # Inicializa metodo de correlação de rastreamento tracker = dlib.correlation_tracker() # Variavel de estado tracking_state = False while True: ret, frame = capture.read() draw_text_info() # Se objeto esta selecionado if len(points) == 2: cv2.rectangle(frame, points[0], points[1], (0, 0, 255), 3) dlib_rectangle = dlib.rectangle(points[0][0], points[0][1], points[1][0], points[1][1]) # Se é pra rastrear if tracking_state == True: tracker.update(frame) pos = tracker.get_position() cv2.rectangle(frame, (int(pos.left()), int(pos.top())), (int(pos.right()), int(pos.bottom())), (0, 255, 0), 3) # lê teclado key = 0xFF & cv2.waitKey(1) # '1' start if key == ord("1"): if len(points) == 2: # Start tracking: tracker.start_track(frame, dlib_rectangle) tracking_state = True points = [] # '2' reset if key == ord("2"): points = [] tracking_state = False if key == ord('q'): break cv2.imshow(window_name, frame) # Release everything: capture.release() cv2.destroyAllWindows()

Desafio 4¶

Com base no código acima, implemente um código que faz o tracking de face

In [ ]:

# Implemente sua solução aqui......

# Implemente sua solução aqui......

Detector de fadiga¶

O detector de fadiga pode ser elaborado a partir a abertura dos olhos, o código a baixo foi inspirado no link: Artigo de refência

Além deste artigo, vamos utilizar algumas outras funções da OpenCV que ainda não conhecemos.

cv2.convexHull = Cria um contorno com base nos pontos. https://learnopencv.com/convex-hull-using-opencv-in-python-and-c/

Dlib positions¶

• ("mouth", (48, 68)),
• ("right_eyebrow", (17, 22)),
• ("left_eyebrow", (22, 27)),
• ("right_eye", (36, 42)),
• ("left_eye", (42, 48)),
• ("nose", (27, 35)),
• ("jaw", (0, 17))

In [ ]:

from math import dist
import time
import numpy as np
import dlib
import cv2

# definir constantes
EYE_AR_THRESH = 0.3
EYE_AR_CONSEC_FRAMES = 40
COUNTER = 0

def eye_aspect_ratio(eye):
    # calcula a distancia euclidiana vertical os olhos
    # vertical eye landmarks (x, y)-coordinates
    A = dist(eye[1], eye[5])
    B = dist(eye[2], eye[4])

    # # calcula a distancia euclidiana horizontal os olhos
    # eye landmark (x, y)-coordinates
    C = dist(eye[0], eye[3])

    # calcula uma taxa de abertura dos olhos
    ear = (A + B) / (2.0 * C)

    # return the eye aspect ratio
    return ear


# inicializa o detector e preditor do dlib
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")

# pega os índices do previsor, para olhos esquerdo e direito
(lStart, lEnd) = (42, 48)
(rStart, rEnd) = (36, 42)

# inicializar vídeo
vs = cv2.VideoCapture(0)
#vs = cv2.VideoCapture("admiravelmundonovo.mp4")


# loop sobre os frames do vídeo
while True:
    ret, frame = vs.read()
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

    # detectar faces (grayscale)
    rects = detector(gray, 0)

    # loop nas detecções de faces
    for rect in rects:

        shape = predictor(gray, rect)
        #devolve shape em uma lista coords
        coords = np.zeros((shape.num_parts, 2), dtype=int)
        for i in range(0,68): #São 68 landmark em cada face
            coords[i] = (shape.part(i).x, shape.part(i).y)

        # extrair coordenadas dos olhos e calcular a proporção de abertura
        leftEye = coords[lStart:lEnd]
        rightEye = coords[rStart:rEnd]

        leftEAR = eye_aspect_ratio(leftEye)
        rightEAR = eye_aspect_ratio(rightEye)

        # ratio média para os dois olhos
        ear = (leftEAR + rightEAR) / 2.0

        # convex hull cria um contorno com base nos pontos
        leftEyeHull = cv2.convexHull(leftEye)
        rightEyeHull = cv2.convexHull(rightEye)
        cv2.drawContours(frame, [leftEyeHull], -1, (0, 255, 0), 1)
        cv2.drawContours(frame, [rightEyeHull], -1, (0, 255, 0), 1)

        # checar ratio x threshold
        if ear < EYE_AR_THRESH:
            COUNTER += 1

            # dentro dos critérios
            if COUNTER >= EYE_AR_CONSEC_FRAMES:
                cv2.putText(frame, "[ALERTA] FADIGA!", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2)

        # caso acima do threshold, resetar o contador e desligar o alarme
        else:
            COUNTER = 0
            # desenhar a proporção de abertura dos olhos
        cv2.putText(frame, "EAR: {:.2f}".format(ear), (300, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2)

    # Exibe resultado
    cv2.imshow("Frame", frame) # se estiver rodando local
    key = cv2.waitKey(1) & 0xFF
    # tecla para sair do script "q"
    if key == ord("q"):
        break

# clean
cv2.destroyAllWindows()
vs.release()

from math import dist import time import numpy as np import dlib import cv2 # definir constantes EYE_AR_THRESH = 0.3 EYE_AR_CONSEC_FRAMES = 40 COUNTER = 0 def eye_aspect_ratio(eye): # calcula a distancia euclidiana vertical os olhos # vertical eye landmarks (x, y)-coordinates A = dist(eye[1], eye[5]) B = dist(eye[2], eye[4]) # # calcula a distancia euclidiana horizontal os olhos # eye landmark (x, y)-coordinates C = dist(eye[0], eye[3]) # calcula uma taxa de abertura dos olhos ear = (A + B) / (2.0 * C) # return the eye aspect ratio return ear # inicializa o detector e preditor do dlib detector = dlib.get_frontal_face_detector() predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat") # pega os índices do previsor, para olhos esquerdo e direito (lStart, lEnd) = (42, 48) (rStart, rEnd) = (36, 42) # inicializar vídeo vs = cv2.VideoCapture(0) #vs = cv2.VideoCapture("admiravelmundonovo.mp4") # loop sobre os frames do vídeo while True: ret, frame = vs.read() gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # detectar faces (grayscale) rects = detector(gray, 0) # loop nas detecções de faces for rect in rects: shape = predictor(gray, rect) #devolve shape em uma lista coords coords = np.zeros((shape.num_parts, 2), dtype=int) for i in range(0,68): #São 68 landmark em cada face coords[i] = (shape.part(i).x, shape.part(i).y) # extrair coordenadas dos olhos e calcular a proporção de abertura leftEye = coords[lStart:lEnd] rightEye = coords[rStart:rEnd] leftEAR = eye_aspect_ratio(leftEye) rightEAR = eye_aspect_ratio(rightEye) # ratio média para os dois olhos ear = (leftEAR + rightEAR) / 2.0 # convex hull cria um contorno com base nos pontos leftEyeHull = cv2.convexHull(leftEye) rightEyeHull = cv2.convexHull(rightEye) cv2.drawContours(frame, [leftEyeHull], -1, (0, 255, 0), 1) cv2.drawContours(frame, [rightEyeHull], -1, (0, 255, 0), 1) # checar ratio x threshold if ear < EYE_AR_THRESH: COUNTER += 1 # dentro dos critérios if COUNTER >= EYE_AR_CONSEC_FRAMES: cv2.putText(frame, "[ALERTA] FADIGA!", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2) # caso acima do threshold, resetar o contador e desligar o alarme else: COUNTER = 0 # desenhar a proporção de abertura dos olhos cv2.putText(frame, "EAR: {:.2f}".format(ear), (300, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2) # Exibe resultado cv2.imshow("Frame", frame) # se estiver rodando local key = cv2.waitKey(1) & 0xFF # tecla para sair do script "q" if key == ord("q"): break # clean cv2.destroyAllWindows() vs.release()

Desafio 5¶

Inspirado na solução do detector de fadiga, implemente um código que faz a deteção de emoção. Ou seja, detecta se a pessoa esta sorrindo ou não.

In [ ]:

# Implemente sua solução aqui......

# Implemente sua solução aqui......