【K210】Maixpy 人脸识别

K210学习笔记(八)——人脸检测和人脸识别 前言 人脸检测是人脸识别算法的第一步,人脸识别过程主要分为人脸图像获取、人脸检测、人脸配准、人脸表征以及人脸图像匹配与识别。人脸检测的目标是找出图像中所有的人脸对应的位置,算法的输出是人脸外接矩形(椭圆)在图像中的坐标,可能还包括姿态如倾斜角度等信息。人脸检测在安防监控,人证比对,人机交互,社交和娱乐等方面有很强的应用价值。 人脸识别是在人脸检测的基础上除了检测到人脸的位置以外, 还可以识别到这个人是谁,利用分析比较是基于人的脸视觉部特征信息进行身份鉴识别的计算机一种生物识别技术。 一、KPU模块方法 1、 阅读详情

硬件平台:K210 Sipeed Maix Dock

软件平台:maixpy 、kmodelv2

实现功能 检测并识别人脸

一、下载模型和示例脚本

需要用到三个模型,

task_fd = kpu.load(0x300000) #从flash 0 0x300000 加载人脸检测模型
task_ld = kpu.load(0x400000) #从flash 0 0x400000 加载人脸五点关键点检测模型
task_fe = kpu.load(0x500000) #从flash 0 0x500000 加载人脸196维特征值模型

脚本如下:

import sensor
import image
import lcd
import KPU as kpu
import time
from Maix import FPIOA, GPIO
import gc
from fpioa_manager import fm
#from board import board_info
import utime
#import 相关库

task_fd = kpu.load(0x300000) #从flash 0 0x300000 加载人脸检测模型
task_ld = kpu.load(0x400000) #从flash 0 0x400000 加载人脸五点关键点检测模型
task_fe = kpu.load(0x500000) #从flash 0 0x500000 加载人脸196维特征值模型

clock = time.clock()  #初始化系统时钟,计算帧率

fm.register(16, fm.fpioa.GPIOHS0) #设置 boot按键 的io
key_gpio = GPIO(GPIO.GPIOHS0, GPIO.IN)
start_processing = False

BOUNCE_PROTECTION = 50


def set_key_state(*_):  #按键中断
    global start_processing
    start_processing = True
    utime.sleep_ms(BOUNCE_PROTECTION)


key_gpio.irq(set_key_state, GPIO.IRQ_RISING, GPIO.WAKEUP_NOT_SUPPORT)

lcd.init() #初始化 lcd
sensor.reset()#初始化sensor摄像头
sensor.set_pixformat(sensor.RGB565)
sensor.set_framesize(sensor.QVGA)
sensor.set_hmirror(1) #设置摄像头镜像
sensor.set_vflip(1) #设置摄像头翻转
sensor.run(1) #试能摄像头
anchor = (1.889, 2.5245, 2.9465, 3.94056, 3.99987, 5.3658, 5.155437,
          6.92275, 6.718375, 9.01025)  # 人脸检测锚
dst_point = [(44, 59), (84, 59), (64, 82), (47, 105),
             (81, 105)]  # 标准人脸关键点位置  标准正脸的5关键点坐标 分别为 左眼 右眼 鼻子 左嘴角 右嘴角
a = kpu.init_yolo2(task_fd, 0.5, 0.3, 5, anchor) #初始化人脸检测模型
img_lcd = image.Image() #设置显示buf
img_face = image.Image(size=(128, 128))#设置 128*128 人脸图片buf
a = img_face.pix_to_ai() #将图片转换为kpu接受的格式
record_ftr = []  #空列表 用于存储当前196维特征值
record_ftrs = []  #空列表 用于存储按键
基于MaixPy与K210的嵌入式人脸识别:从硬件加速到Python实战 在嵌入式系统与物联网应用中,实时人脸识别是一项极具价值的技术,它融合了计算机视觉、边缘计算和机器学习等多个领域。其核心原理是通过卷积神经网络(CNN)模型对图像进行特征提取与分类,实现对人脸的检测与身份识别。传统方案依赖高性能服务器,而嵌入式AI则通过专用硬件加速器(如KPU)在本地完成推理,大幅降低延迟与功耗,提升隐私安全性。这一技术已广泛应用于智能门禁、考勤系统、机器人交互等场景。本文以K210芯片的硬件加速能力和MaixPy的Python高效开发环境为例,深入解析如何在资源受限的设备上部署和优化人脸识 阅读详情

相关推荐

K210+MaixPy人脸识别项目避坑实录:从模型下载到代码调试,我踩过的那些坑

本文详细记录了K210+MaixPy人脸识别项目的实战经验,从模型下载到代码调试的完整避坑指南。针对环境搭建、烧录错误、内存优化、识别精度提升等关键环节提供解决方案,特别分享光照处理、参数调优等实用技巧,帮助开发者高效完成边缘计算人脸识别项目部署。

weixin_30410119的博客 483

深入K210人脸识别代码:逐行解读MaixPy源码与196维特征值计算原理

本文深入解析K210开发板上人脸识别技术的核心实现,逐行解读MaixPy源码与196维特征值计算原理。从KPU模型架构、五点关键点定位到特征提取与比对算法,详细揭示人脸识别背后的数学逻辑与工程优化。特别探讨了内存管理、模型量化等实战技巧,帮助开发者突破API表层理解,掌握边缘计算设备上的高效人脸识别技术。

weixin_33709590的博客 378

K210人脸识别门锁进阶:如何用MaixPy3代码优化识别速度和防误触

本文详细介绍了如何通过优化MaixPy3代码提升K210人脸识别门锁的性能,包括核心参数调优、系统响应速度优化和防误触机制设计。文章提供了实用的代码示例和调优策略,帮助开发者显著提升识别速度和准确率,适用于智能门锁等实际应用场景。

weixin_30296405的博客 377

K210套件实现人脸识别

参考网址:关于 MaixPy:https://cn.maixpy.sipeed.com/zh/get_started/get_hardware.html 相关资源:链接:https://pan.baidu.com/s/1xuoLOnqxarxMPzoTytQBmA 提取码:2r68 复制这段内容后打开百度网盘手机App,操作更方便哦 安装驱动 主要是安装串口驱动,因为板子是通过 USB 转串口设备与电脑连接(K210没有USB硬件支持)。 根据板子的 USB 转串口芯片型号装驱动。 下载驱动文件:

icecreamdinner的博客 3969

保姆级教程:用K210+MaixPy IDE从零搭建人脸识别系统(含模型获取与代码烧录避坑指南)

本文提供了一份详细的K210开发板人脸识别系统搭建指南,涵盖从开发环境准备、模型获取到代码烧录与调试的全过程。特别针对新手常见问题提供解决方案,包括机器码获取、模型烧录地址设置及代码优化技巧,帮助开发者快速掌握K210+MaixPy IDE的人脸识别技术。

weixin_27066963的博客 194

保姆级教程:用K210和MaixPy IDE从零搭建人脸识别系统(含模型获取与代码烧录避坑指南)

本文提供了一份详细的K210人脸识别系统搭建教程,涵盖开发环境配置、模型获取与烧录、代码优化等全流程。特别针对初学者常见的串口识别失败、固件烧录异常等问题提供避坑指南,帮助用户快速实现高效稳定的嵌入式人脸识别应用。

weixin_42524703的博客 223

k210固件包,包含人脸识别,清空内存

k210固件包,包含人脸识别,清空内存的bin包和kfpkg包,亲测能用,可用kflash下载,kflash已打包其中,支持k210 bit

K210人脸识别+断电存储程序和软件安装包

K210人脸识别+断电存储程序和软件安装包,里面的固件需要自己重新在官网下载人类模型。所有要用到的软件里面都有。

SAP MIRO发票自动化:BAPI_INCOMINGINVOICE_CREATE实战解析

本文深入解析了如何使用SAP标准BAPI_INCOMINGINVOICE_CREATE实现MIRO发票校验流程的自动化。通过实战代码示例,详细阐述了从采购订单和收货凭证获取数据、构建BAPI核心参数、处理常见错误到高级场景优化的完整路径,旨在帮助SAP开发人员构建稳定、高效的自动化解决方案,提升财务处理效率与准确性。

weixin_29243279的博客 492

概述DeepLab系列(deeplab v1, deeplab v2, deeplab v3, deeplab v3+)

前言:图像分割是指像素级别的图像识别,即标注出图像中每个像素所属的对象类别。 语义分割更注重类别之间的区分,而实例分割更注重个体之间的区别。 DeepLab是由Google团队提出的一系列图像分割算法。 DeepLab v1 (2014年) Paper (ICLR 2015) Code 创新点: 空洞卷积(Atrous Conv); <解决编码过程中信号不断被下采样,细节丢失的问题> 全连接条件随机场(Fully-connected Conditional Random Field)。

ZSH12345678900的博客 5524

rag综述——RAG技术发展流程、最新技术挑战与系统级优化

RAG技术发展综述:本文系统梳理了检索增强生成(RAG)技术的演进历程,从2017年开放域问答中的早期探索,到2020年正式提出RAG架构并与大模型深度融合,再到2025年向系统化、可信化和智能体化发展。当前RAG面临检索可靠性、系统效率和生成可信度三大核心挑战,解决方案包括领域自适应训练、强化语义编码、迭代检索策略等优化方向。未来RAG将向GraphRAG、SafeRAG等方向发展,从单纯性能优化转向构建可控、可审计的语言系统框架,成为高可靠大模型应用的基础设施。

lovehu6686的博客 1232

从零拆解快手Web端__NS_hxfalcon:JS逆向签名参数定位与复现

在JS逆向与前端反爬攻防中,签名参数总是绕不开的核心环节。无论是接口加密还是请求签名,其本质都是通过在客户端收集环境信息、时间戳与业务参数,经特定算法计算后生成用于服务端校验的动态令牌。理解这类参数的生成原理,不仅能提升逆向分析效率,也能帮助前端开发者更好地设计自身接口防护方案。在实际工程中,面对经Webpack打包且高度混淆的代码,直接全局搜索参数名往往难以奏效,需要结合请求抓包、调用栈跟踪、环境适配等方法逐步定位。此类签名参数广泛存在于现代Web应用的GraphQL或REST接口中,是接口数据安全的重要

weixin_29474431的博客 322

【学习体会】Lighttools8.4.0:简单光学系统实例

添加球型光源(SphereSource)和表面接收器: 对光线模拟的参数进行设置: 光线追踪-模拟输入 要追踪的光线总数,决定模拟的准确度,总数越多,准确度越高,当然耗时更多 预览光线数量是模拟之后可以看到的示意光线(黑线),一般是100~1000,随意设置 点击,开始模拟: (模拟结果) 如果光线太多,则会出现,可以看到剩余时间 照度分析: 分析-照度显示-光栅图表 ...

LeonJin的博客 1万+

vsomeip3 双机通信文件配置

验证环境 vsomeip地址Android运行命令,红色的地方需要和配置文件一样Linux运行命令,红色的地方需要和配置文件一样Linux service配置文件 ,红色的地方需要更改Android client配置文件,红色的地方需要更改,蓝色的地方可不要 ...

m0_37132481的博客 5217

YOLO11涨点优化:注意力魔改 | 新颖的多尺度卷积注意力(MSCA),即插即用,助力小目标检测

多尺度卷积注意力(MSCA),有效地提取上下文信息,新颖度高,创新十足。

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 6293

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

上一篇: [K210]Maixpy self learning classifier 自学习分类器
下一篇: 【pyqt5】鼠标控制 窗口图片的缩放和移动
Rainbow pony
博客等级 码龄8年 49粉丝 20原创
评论 6
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值