Spaces:
Build error
Build error
File size: 7,120 Bytes
7b0cfb4 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 |
import cv2
import numpy as np
import time
def main():
"""
Script para probar la detección de rostros con diferentes configuraciones
y visualizar claramente los resultados.
"""
print("Iniciando prueba de detección facial...")
# Cargar el modelo DNN preentrenado para detección de rostros
print("Cargando modelo DNN para detección facial...")
# Usar el modelo Caffe
modelFile = "models/deploy.prototxt"
weightsFile = "models/res10_300x300_ssd_iter_140000_fp16.caffemodel"
try:
face_net = cv2.dnn.readNetFromCaffe(modelFile, weightsFile)
print("Modelo DNN cargado correctamente.")
except Exception as e:
print(f"Error al cargar el modelo DNN: {str(e)}")
print("Intentando usar detección Haar en su lugar...")
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
if face_cascade.empty():
print("Error: No se pudo cargar el clasificador Haar.")
return
use_dnn = False
else:
use_dnn = True
# Iniciar la cámara
cap = cv2.VideoCapture(0)
if not cap.isOpened():
print("Error: No se pudo abrir la cámara.")
return
print("Cámara iniciada correctamente. Presione 'q' para salir, 's' para guardar una captura.")
# Contador de frames
frame_count = 0
start_time = time.time()
# Umbrales de confianza para probar
confidence_thresholds = [0.5, 0.3, 0.1]
current_threshold_index = 0
current_threshold = confidence_thresholds[current_threshold_index]
def detect_face_dnn(net, frame, conf_threshold=0.5):
# Preparar la imagen para la red (redimensionar a 300x300 y normalizar)
h, w = frame.shape[:2]
blob = cv2.dnn.blobFromImage(cv2.resize(frame, (300, 300)), 1.0,
(300, 300), (104.0, 177.0, 123.0))
# Pasar la imagen a través de la red
net.setInput(blob)
detections = net.forward()
# Procesar las detecciones
bboxes = []
for i in range(detections.shape[2]):
confidence = detections[0, 0, i, 2]
if confidence > conf_threshold:
# Obtener coordenadas de la caja delimitadora
box = detections[0, 0, i, 3:7] * np.array([w, h, w, h])
x1, y1, x2, y2 = box.astype("int")
# Asegurarse de que las coordenadas estén dentro de la imagen
x1, y1 = max(0, x1), max(0, y1)
x2, y2 = min(w, x2), min(h, y2)
# Añadir caja y confianza
bboxes.append([x1, y1, x2, y2, confidence])
return bboxes if bboxes else None
def detect_face_haar(face_cascade, frame, scale_factor=1.1):
# Convertir a escala de grises para la detección Haar
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
# Detectar rostros
faces = face_cascade.detectMultiScale(
gray,
scaleFactor=scale_factor,
minNeighbors=5,
minSize=(30, 30),
flags=cv2.CASCADE_SCALE_IMAGE
)
if len(faces) == 0:
return None
# Convertir al mismo formato que el DNN
bboxes = []
for (x, y, w, h) in faces:
bboxes.append([x, y, x+w, y+h, 1.0]) # Confianza simulada de 1.0
return bboxes
while True:
# Leer un frame de la cámara
ret, frame = cap.read()
if not ret:
print("Error al capturar el frame.")
break
# Incrementar contador
frame_count += 1
elapsed = time.time() - start_time
fps = frame_count / elapsed if elapsed > 0 else 0
# Crear copia del frame para dibujar
display_frame = frame.copy()
# Detectar rostros según el método seleccionado
if use_dnn:
bboxes = detect_face_dnn(face_net, frame, current_threshold)
method_text = f"DNN (Conf: {current_threshold})"
else:
bboxes = detect_face_haar(face_cascade, frame)
method_text = "Haar Cascade"
# Dibujar los rostros detectados
if bboxes is not None:
for box in bboxes:
x1, y1, x2, y2 = int(box[0]), int(box[1]), int(box[2]), int(box[3])
# Dibujar rectángulo verde grueso
cv2.rectangle(display_frame, (x1, y1), (x2, y2), (0, 255, 0), 3)
# Mostrar confianza
if len(box) > 4:
conf = box[4]
cv2.putText(display_frame, f"Conf: {conf:.2f}", (x1, y1 - 10),
cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 255, 0), 2)
face_count = len(bboxes)
status = f"Detectados: {face_count}"
else:
status = "No se detectaron rostros"
# Dibujar información en pantalla
h, w = display_frame.shape[:2]
# Método de detección
cv2.putText(display_frame, f"Método: {method_text}", (10, 30),
cv2.FONT_HERSHEY_SIMPLEX, 0.7, (255, 0, 0), 2)
# Estado de detección
cv2.putText(display_frame, status, (10, 70),
cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2)
# FPS
cv2.putText(display_frame, f"FPS: {fps:.1f}", (10, h - 20),
cv2.FONT_HERSHEY_SIMPLEX, 0.7, (255, 0, 0), 2)
# Rectángulo de prueba en la esquina superior derecha
cv2.rectangle(display_frame, (w-150, 50), (w-50, 150), (0, 0, 255), 3)
cv2.putText(display_frame, "TEST", (w-130, 40),
cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2)
# Mostrar resultado
cv2.imshow("Prueba de Detección Facial", display_frame)
# Manejo de teclas
key = cv2.waitKey(1) & 0xFF
# Salir si se presiona 'q'
if key == ord('q'):
break
# Cambiar umbral si se presiona 't'
elif key == ord('t'):
current_threshold_index = (current_threshold_index + 1) % len(confidence_thresholds)
current_threshold = confidence_thresholds[current_threshold_index]
print(f"Umbral cambiado a: {current_threshold}")
# Guardar imagen si se presiona 's'
elif key == ord('s'):
timestamp = time.strftime("%Y%m%d-%H%M%S")
filename = f"face_detection_{timestamp}.jpg"
cv2.imwrite(filename, display_frame)
print(f"Imagen guardada como {filename}")
# Imprime estadísticas
print(f"Frames totales: {frame_count}")
print(f"Tiempo total: {elapsed:.2f} segundos")
print(f"FPS promedio: {fps:.1f}")
# Liberar recursos
cap.release()
cv2.destroyAllWindows()
if __name__ == "__main__":
main() |