本节分享一下使用LBP特征分辨不同的人脸。
我们需要先建立自己的图像库。我们先在OpenMV的U盘（注意一定要插sd卡）中新建一个文件夹，命名为singtown，然后在singtown文件夹中再新建n个名为s1,s2,s3…sn的子文件夹，其中n为整个图像库中的人数。如下图：
然后，我们可以运行以下代码来采集不同的人脸样本。注意采集时尽量让背景均匀，并且让人脸尽量充满整个画面。人脸可以微笑，不笑，正脸，歪头，戴眼镜，不戴眼镜等。可以选择每人10-20张图片。
保存图像到U盘中.py
# 运行以下代码来采集不同的人脸样本
#
# Note: You will need an SD card to run this example.
#
# 注意采集时尽量让背景均匀，并且让人脸尽量充满整个画面。人脸可以微笑，不笑，正脸，歪头，戴眼镜，不戴眼镜等。可以选择每人10-20张图片
# You can use your OpenMV Cam to save image files.
import sensor, image, pyb
RED_LED_PIN = 1
BLUE_LED_PIN = 3
sensor.reset() # 感光元件初始化
sensor.set_pixformat(sensor.GRAYSCALE) # 设置格式为灰度图
sensor.set_framesize(sensor.B128X128) # 设置图像大小为128*128（或QQVGA）
sensor.set_windowing((92,112)) # 设置窗口大小为92*112
sensor.skip_frames(10) # 跳过10帧，让设置生效 Let new settings take affect.
sensor.skip_frames(time = 2000) # 等待2s（跳过2000毫秒的帧数）
# 如果两个参数都有指定sensor.skip_frames( 10 , time = 2000 )，则跳过10帧后延迟2000毫秒
num = 1 #设置被拍摄者序号，第一个人的图片保存到s1文件夹，第二个人的图片保存到s2文件夹，以此类推。每次更换拍摄者时，修改num值。
n = 20 #设置每个人拍摄图片数量。
#连续拍摄n张照片，每间隔3s拍摄一次。
while(n):
#红灯亮 ——> 告诉拍摄者等待3s
pyb.LED(RED_LED_PIN).on()
sensor.skip_frames(time = 3000) # Give the user time to get ready.等待3s，准备一下表情。
#红灯灭，蓝灯亮 ——> 开始拍摄
pyb.LED(RED_LED_PIN).off()
pyb.LED(BLUE_LED_PIN).on()
#保存截取到的图片到SD卡
print(n)
sensor.snapshot().save("singtown/s%s/%s.pgm" % (num, n) ) # or "example.bmp" (or others)
n -= 1
#蓝灯灭 ——> 代表已经保存图片
pyb.LED(BLUE_LED_PIN).off()
print("Done! Reset the camera to see the saved image.")
拍摄结束后OpenMV U盘中图像如下（注意每次OpenMV u盘写入新图像/文件后需要重置OpenMV才可以看到）：
最后，我们运行以下代码，来识别当前摄像头视野内的人脸，并输出与当前对象最匹配的人。
分辨人脸.py
# 利用LBP分辨人脸图像
# See Timo Ahonen's "Face Recognition with Local Binary Patterns".
#
# 在开始执行程序前：
# 1) Download the AT&T faces database http://www.cl.cam.ac.uk/Research/DTG/attarchive/pub/data/att_faces.zip
# 2) Exract and copy the orl_faces directory to the SD card root.
import sensor, time, image, pyb
#感光元件的设置
sensor.reset() # Initialize the camera sensor.
sensor.set_pixformat(sensor.GRAYSCALE) # or sensor.GRAYSCALE
sensor.set_framesize(sensor.B128X128) # or sensor.QQVGA (or others)
sensor.set_windowing((92,112))
sensor.skip_frames(10) # Let new settings take affect.
sensor.skip_frames(time = 5000) #等待5s
#SUB = "s1"
NUM_SUBJECTS = 6 #图像库中不同人数，一共6人
NUM_SUBJECTS_IMGS = 20 #每人有20张样本图片
# 拍摄当前人脸。
img = sensor.snapshot()
#img = image.Image("singtown/%s/1.pgm"%(SUB))
d0 = img.find_lbp((0, 0, img.width(), img.height())) # 调用find_lbp()函数提取当前人脸特征
# find_lbp()只有一个参数roi(x,y,w,h)
# d0为当前人脸的lbp特征
img = None
pmin = 999999 # 后面要用到的一个比较值，用于保存“当前检测到的人脸与我们图像样本库中人脸的匹配程度”
# pmin的值越小，表明我们与图像样本库中的样本越接近
num=0 # 输出当前最匹配的人的编号
def min(pmin, a, s):#pmin为保存的特征差异度 a为当前图像的特征差异度 s为图像库中人物编号
global num # 全局变量num
if a这个整数的值越接近0，特征点就越匹配
print("Average dist for subject %d: %d"%(s, dist/NUM_SUBJECTS_IMGS))
#在后面的检测中，对于图像库中的每一个人，我们都会比较一遍pmin的值，我们将得到这6个人中特征差异度最小的那个人的差异度以及编号
pmin = min(pmin, dist/NUM_SUBJECTS_IMGS, s)#特征差异度越小，被检测人脸与此样本更相似更匹配。
print(pmin)
#打印最匹配的人
print(num) # num为当前最匹配的人的编号。
