2020系统综合实践 第7次实践作业 5组

综合系统实践 第7次实践作业

（1）在树莓派中安装opencv库

在Raspberry Pi 4B上安装OpenCV 4.1.2

安装OpenCV的进程可能非常耗时且需要安装许多依赖项和先决条件。

①展开文件系统

如果使用全新的Raspbian Stretch安装，首先需要扩展文件系统，以包括micro-SD卡上的所有可用空间：

sudo raspi-config

然后选择“高级选项”菜单项：

接下来选择“扩展文件系统”：

回车确定

选择finish

然后重新启动Pi

sudo reboot 

重新启动后，文件系统应该已经扩展到包含micro-SD卡上的所有可用空间。可以验证该盘已被执行扩展和检查的输出

df -h

Raspbian文件系统已经扩展到包含所有16GB的micro-SD卡。

但是，即使扩展了我的文件系统，我也已经使用了16GB卡的43％。

一件简单的事情就是删除LibreOffice和Wolfram引擎，以释放Pi上的一些空间：

sudo apt-get purge wolfram-engine
sudo apt-get purge libreoffice*
sudo apt-get clean
sudo apt-get autoremove

删除Wolfram引擎和LibreOffice后，可以回收近1GB！

②安装依赖关系

# 更新和升级任何现有的软件包
sudo apt-get update && sudo apt-get upgrade 
# 安装开发工具CMake，帮助我们配置OpenCV构建过程
sudo apt-get install build-essential cmake pkg-config
# 图像I/O包，允许我们从磁盘加载各种图像文件格式。这种文件格式的例子包括JPEG，PNG，TIFF等
sudo apt-get install libjpeg-dev libtiff5-dev libjasper-dev libpng12-dev
# 视频I/O包。这些库允许我们从磁盘读取各种视频文件格式，并直接处理视频流
sudo apt-get install libavcodec-dev libavformat-dev libswscale-dev libv4l-dev
sudo apt-get install libxvidcore-dev libx264-dev
# OpenCV库附带一个名为highgui的子模块 ，用于在我们的屏幕上显示图像并构建基本的GUI。为了编译 highgui模块，我们需要安装GTK开发库
sudo apt-get install libgtk2.0-dev libgtk-3-dev
# OpenCV中的许多操作（即矩阵操作）可以通过安装一些额外的依赖关系进一步优化
sudo apt-get install libatlas-base-dev gfortran
# 安装Python 2.7和Python 3头文件，以便我们可以用Python绑定来编译OpenCV
sudo apt-get install python2.7-dev python3-dev

如果是新安装的操作系统，那么这些版本的Python可能已经是最新版本了（终端可以看到）。

③下载OpenCV源代码

现在我们已经安装了依赖项，从官方的OpenCV仓库中获取OpenCV 的 4.1.2归档。

cd ~
wget -O opencv.zip https://github.com/Itseez/opencv/archive/4.1.2.zip
unzip opencv.zip

我们需要完整安装 OpenCV 3（例如，可以访问SIFT和SURF等功能），因此我们还需要获取opencv_contrib存储库。

wget -O opencv_contrib.zip https://github.com/Itseez/opencv_contrib/archive/4.1.2.zip
unzip opencv_contrib.zip

注意：确保 opencv和 opencv_contrib版本相同。

如果版本号不匹配，那么可能会遇到编译时错误或运行时错误。

④Python 2.7或Python 3

在我们开始在我们的Raspberry Pi 3上开始编译OpenCV之前

首先需要安装 Python包管理器pip：

wget https://bootstrap.pypa.io/get-pip.py
sudo python get-pip.py
sudo python3 get-pip.py

可能会收到一条消息，指出在发出这些命令时pip已经是最新的，但最好不要跳过这一步 。

接下来安装virtualenv和 virtualenvwrapper

首先，了解虚拟环境是一种特殊的工具，通过为每个环境创建独立的，独立的 Python环境来保持不同项目所需的依赖关系，这一点很重要。

总之，它解决了“Project X取决于版本1.x，但项目Y需要4.x”的困境

安装python虚拟机

sudo pip install virtualenv virtualenvwrapper
sudo rm -rf ~/.cache/pip 

配置~/.profile，添加内容：

# virtualenv and virtualenvwrapper
export WORKON_HOME=$HOME/.virtualenvs
export VIRTUALENVWRAPPER_PYTHON=/usr/bin/python3
source /usr/local/bin/virtualenvwrapper.sh

使之生效

source ~/.profile

使用Python3 安装虚拟机

mkvirtualenv cv -p python3

虚拟机完成安装之后，后续的所有操作全部在虚拟机中进行。按照教程的说明，一定要看清楚命令行前面是否有（cv），以此作为是否在虚拟机的判断！
需要重新进入虚拟机，可运行下面的命令

source ~/.profile
workon cv

再次提醒：后续所有操作均在虚拟机中
安装numpy

pip install numpy

⑤编译OpenCV

cd ~/opencv-4.1.2/
mkdir build
cd build
cmake -D CMAKE_BUILD_TYPE=RELEASE \
    -D CMAKE_INSTALL_PREFIX=/usr/local \
    -D INSTALL_PYTHON_EXAMPLES=ON \
    -D OPENCV_EXTRA_MODULES_PATH=~/opencv_contrib-4.1.2/modules \
    -D BUILD_EXAMPLES=ON ..

编译之前配置交换空间大小

在开始编译过程之前，应 增加交换空间的大小。这使OpenCV可以使用 Raspberry PI的所有四个内核进行编译，而不会由于内存问题而挂起编译。

把交换空间交换空间增大到 CONF_SWAPSIZE=1024

# 虚拟机中sudo才可以修改
sudo nano /etc/dphys-swapfile  
sudo /etc/init.d/dphys-swapfile stop
sudo /etc/init.d/dphys-swapfile start
# 开始编译（顺利的话1个多小时就可以编译完，运气不好的话遇到很多坑可能一天都...）
make  

编译过程好费时间长而且一波三折，遇到了一些坑（好多ERROR），重新烧录了好几次备份系统（差点自闭QAQ），但好在都一一解决了，遇到问题详情及解决办法在（5）。

⑥安装OpenCV

sudo make install
sudo ldconfig

检查OpenCV的安装位置

ls -l /usr/local/lib/python3.7/site-packages/
cd ~/.virtualenvs/cv/lib/python3.7/site-packages/
ln -s /usr/local/lib/python3.7/site-packages/cv2 cv2

验证安装

source ~/.profile 
workon cv
python
import cv2
cv2.__version__

关于opencv的编译安装，可以参考

• Adrian Rosebrock的Raspbian Stretch: Install OpenCV 3 + Python on your Raspberry Pi。
• Raspberry Pi 4B 使用OpenCV访问摄像头picamera模块
• Raspbian Stretch：在你的Raspberry Pi上安装OpenCV 3 + Python
• OpenCV 各种安装错误汇总

（2）使用opencv和python控制树莓派的摄像头

安装picreame

source ~/.profile 
workon cv 
pip install "picamera[array]"

拍照测试

按照教程给的示例代码，验证Python控制摄像头拍照的效果，增加示例代码中sleep的时间，让摄像头曝光时间增加，拍照效果比较好。

示例代码

# import the necessary packages
from picamera.array import PiRGBArray
from picamera import PiCamera
import time
import cv2
 
# initialize the camera and grab a reference to the raw camera capture
camera = PiCamera()
rawCapture = PiRGBArray(camera)
 
# allow the camera to warmup
# 此处把0.1改成了5
time.sleep(5)
 
# grab an image from the camera
camera.capture(rawCapture, format="bgr")
image = rawCapture.array
 
# display the image on screen and wait for a keypress
cv2.imshow("Image", image)
cv2.waitKey(0)

• 参考教程：还是可以参考Adrian Rosebrock的Accessing the Raspberry Pi Camera with OpenCV and Python跑通教程的示例代码（有可能要调整里面的参数）

（3）利用树莓派的摄像头实现人脸识别

安装依赖库dlib，face_recognition

在命令行输入：

source ~/.profile 
workon cv 
pip install dlib
pip install face_recognition

切换到放有要加载图片和python代码的目录下

①facerec_on_raspberry_pi.py

示例代码如下：

# This is a demo of running face recognition on a Raspberry Pi.
# This program will print out the names of anyone it recognizes to the console.
# To run this, you need a Raspberry Pi 2 (or greater) with face_recognition and
# the picamera[array] module installed.
# You can follow this installation instructions to get your RPi set up:
# https://gist.github.com/ageitgey/1ac8dbe8572f3f533df6269dab35df65

import face_recognition
import picamera
import numpy as np

# Get a reference to the Raspberry Pi camera.
# If this fails, make sure you have a camera connected to the RPi and that you
# enabled your camera in raspi-config and rebooted first.
camera = picamera.PiCamera()
camera.resolution = (320, 240)
output = np.empty((240, 320, 3), dtype=np.uint8)

# Load a sample picture and learn how to recognize it.
print("Loading known face image(s)")
image = face_recognition.load_image_file("test.jpg")
face_encoding = face_recognition.face_encodings(image)[0]

# Initialize some variables
face_locations = []
face_encodings = []

while True:

    print("Capturing image.")
    # Grab a single frame of video from the RPi camera as a numpy array
    camera.capture(output, format="rgb")

    # Find all the faces and face encodings in the current frame of video
    face_locations = face_recognition.face_locations(output)

    print("Found {} faces in image.".format(len(face_locations)))
    face_encodings = face_recognition.face_encodings(output, face_locations)

    # Loop over each face found in the frame to see if it's someone we know.
    for face_encoding in face_encodings:

        # See if the face is a match for the known face(s)
        match = face_recognition.compare_faces([face_encoding], face_encoding)
        name = ""

        if match[0]:
            name = "Trump"
        print("I see someone named {}!".format(name))

一开始摄像头没有对准照片，后面照片移入摄像头拍摄范围，可以看到识别成功。

• test.jpg用于上传转换格式提取特征值保存

• Trump.jpg用于测试是否准确识别出Trump

• Kim Jong Eun.jpg用于测试是否准确识别出Unknown Person

测试test2.jpg并查看是否准确识别Trump

当照片切换到Kim Jong Eun.jpg，可以看到识别出一张人脸而且是Unknown Person

②facerec_from_webcam_faster.py

示例代码如下：

import face_recognition
import cv2
import numpy as np

# This is a demo of running face recognition on live video from your webcam. It's a little more complicated than the
# other example, but it includes some basic performance tweaks to make things run a lot faster:
#   1. Process each video frame at 1/4 resolution (though still display it at full resolution)
#   2. Only detect faces in every other frame of video.

# PLEASE NOTE: This example requires OpenCV (the `cv2` library) to be installed only to read from your webcam.
# OpenCV is *not* required to use the face_recognition library. It's only required if you want to run this
# specific demo. If you have trouble installing it, try any of the other demos that don't require it instead.

# Get a reference to webcam #0 (the default one)
video_capture = cv2.VideoCapture(0)

# Load a sample picture and learn how to recognize it.
Trump_image = face_recognition.load_image_file("Trump.jpg")
Trump_face_encoding = face_recognition.face_encodings(Trump_image)[0]

# Load a second sample picture and learn how to recognize it.
Kim_Jong_Eunimage = face_recognition.load_image_file("Kim_Jong_Eun.jpg")
Kim_Jong_Eunface_encoding = face_recognition.face_encodings(Kim_Jong_Eunimage)[0]

# Create arrays of known face encodings and their names
known_face_encodings = [
    Trump_face_encoding,
    Kim_Jong_Eunface_encoding
]

known_face_names = [
    "Trump",
    "Kim_Jong_Eun"
]



# Initialize some variables
face_locations = []
face_encodings = []
face_names = []

process_this_frame = True

while True:

    # Grab a single frame of video
    ret, frame = video_capture.read()

    # Resize frame of video to 1/4 size for faster face recognition processing
    small_frame = cv2.resize(frame, (0, 0), fx=0.25, fy=0.25)

    # Convert the image from BGR color (which OpenCV uses) to RGB color (which face_recognition uses)
    rgb_small_frame = small_frame[:, :, ::-1]

    # Only process every other frame of video to save time
    if process_this_frame:

        # Find all the faces and face encodings in the current frame of video
        face_locations = face_recognition.face_locations(rgb_small_frame)
        face_encodings = face_recognition.face_encodings(rgb_small_frame, face_locations)

        face_names = []
        for face_encoding in face_encodings:
            # See if the face is a match for the known face(s)
            matches = face_recognition.compare_faces(known_face_encodings, face_encoding)
            name = "Unknown"

            # # If a match was found in known_face_encodings, just use the first one.
            # if True in matches:
            #     first_match_index = matches.index(True)
            #     name = known_face_names[first_match_index]
            # Or instead, use the known face with the smallest distance to the new face
            face_distances = face_recognition.face_distance(known_face_encodings, face_encoding)
            best_match_index = np.argmin(face_distances)
            if matches[best_match_index]:
                name = known_face_names[best_match_index]

            face_names.append(name)

    process_this_frame = not process_this_frame

    # Display the results
    for (top, right, bottom, left), name in zip(face_locations, face_names):
        # Scale back up face locations since the frame we detected in was scaled to 1/4 size
        top *= 4
        right *= 4
        bottom *= 4
        left *= 4

        # Draw a box around the face
        cv2.rectangle(frame, (left, top), (right, bottom), (0, 0, 255), 2)

        # Draw a label with a name below the face
        cv2.rectangle(frame, (left, bottom - 35), (right, bottom), (0, 0, 255), cv2.FILLED)
        font = cv2.FONT_HERSHEY_DUPLEX
        cv2.putText(frame, name, (left + 6, bottom - 6), font, 1.0, (255, 255, 255), 1)

    # Display the resulting image
    cv2.imshow('Video', frame)

    # Hit 'q' on the keyboard to quit!
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# Release handle to the webcam
video_capture.release()
cv2.destroyAllWindows()

验证识别成功

因为左边的人物图像没有上传提取特征值保存，所以识别为unknown，识别成功

• 人脸识别有开源的python库face_recognition，这当中有很多示例代码
• 参考教程：树莓派实现简单的人脸识别
• 要求：跑通face_recognition的示例代码facerec_on_raspberry_pi.py以及facerec_from_webcam_faster.py

（4）结合微服务的进阶任务

①安装Docker

下载安装脚本

curl -fsSL https://get.docker.com -o get-docker.sh

运行安装脚本(阿里云镜像)

sh get-docker.sh --mirror Aliyun

查看docker版本，验证是否安装成功

添加用户到docker组

sudo usermod -aG docker pi 

重新登陆让用户组生效

exit 
ssh pi@raspiberry

重启之后,docker指令之前就不需要加sudo了

②定制opencv镜像

拉取镜像

docker pull sixsq/opencv-python

创建并运行容器

docker run -it sixsq/opencv-python /bin/bash

在容器中，用pip3安装 "picamera[array]"，dlib和face_recognition

pip3 install "picamera[array]" 
pip3 install dlib 
pip3 install face_recognition
exit

commit镜像

自定义镜像

• Dockerfile

FROM opencv1
RUN mkdir /myapp
WORKDIR /myapp
COPY myapp .

构建镜像

docker build -t opencv2 .

查看镜像

③运行容器执行facerec_on_raspberry_pi.py

docker run -it --device=/dev/vchiq --device=/dev/video0 --name myopencv opencv2
python3 facerec_on_raspberry_pi.py

④选做：在opencv的docker容器中跑通步骤（3）的示例代码facerec_from_webcam_faster.py

在Windows系统中安装Xming

开启树莓派的ssh配置中的X11

查看DISPLAY环境变量值

printenv

编写run.sh

#sudo apt-get install x11-xserver-utils
xhost +
docker run -it \
        --net=host \
        -v $HOME/.Xauthority:/root/.Xauthority \
        -e DISPLAY=:10.0  \
        -e QT_X11_NO_MITSHM=1 \
        --device=/dev/vchiq \
        --device=/dev/video0 \
        --name facerecgui \
        opencv2 \
	python3 facerec_from_webcam_faster.py

打开终端，运行run.sh

sh run.sh

可以看到在windows的Xvideo可以正确识别人脸。

参考教程

（5）遇到的问题及解决方法

问题1：环境/Users/myuser/.virtualenvs/iron不包含激活脚本

在使用Python3 安装虚拟机的时候出现下图的安装错误

卸载virtualenv和virtualenvwrapper

sudo pip3 uninstall virtualenv virtualenvwrapper

看到virtualenvwrapper我安装的版本是5.0.0。

检查了PyPi，它仍然是4.8.4版。

重新安装了两者并指定了版本

sudo pip3 install virtualenv virtualenvwrapper=='4.8.4'

我获取了.bashrc的源代码，其中附加了设置：

VIRTUALENVWRAPPER_PYTHON=/usr/bin/python3
VIRTUALENVWRAPPER_VIRTUALENV=/usr/local/bin/virtualenv
export PATH=/usr/local/bin:$PATH
export WORKON_HOME=~/.virtualenvs
source /usr/local/bin/virtualenvwrapper.sh

Python3重新安装虚拟机

mkvirtualenv cv -p python3

参考教程

Error: Environment /Users/myuser/.virtualenvs/iron does not contain activation script

ERROR: Environment '/home/pi/.virtualenvs/cv' does not contain an activate script

问题2：fatal error: features2d/test/test_detectors_regression.impl.hpp: 没有那个文件或目录

头文件include路径不对，解决方法如下：

将opencv-4.1.2/modules/features2d/test/文件下的

• test_descriptors_regression.impl.hpp
• test_detectors_regression.impl.hpp
• test/test_detectors_invariance.impl.hpp
• test_descriptors_invariance.impl.hpp
• test_invariance_utils.hpp

拷贝到opencv_contrib-4.1.0/modules/xfeatures2d/test/文件下。

同时，将opencv_contrib-4.1.2/modules/xfeatures2d/test/test_features2d.cpp文件下的

#include "features2d/test/test_detectors_regression.impl.hpp"
#include "features2d/test/test_descriptors_regression.impl.hpp"

改成：

#include "test_detectors_regression.impl.hpp"
#include "test_descriptors_regression.impl.hpp"

之后编译过程中可能还会遇到类似问题，也是按照同样的做法。

参考博客

在Ubuntu16.04上编译opencv4.1.0-gpu带contrib版本碰到的问题

问题3： error: 'CODEC_FLAG_GLOBAL_HEADER' was not declared in this scope

解决方法：

在 /home/pi/opencv-4.1.2/modules/videoio/src/cap_ffmpeg_impl.hpp 里最顶端添加

#define AV_CODEC_FLAG_GLOBAL_HEADER (1 << 22) 
#define CODEC_FLAG_GLOBAL_HEADER AV_CODEC_FLAG_GLOBAL_HEADER 
#define AVFMT_RAWPICTURE 0x0020 

参考博客

Ubuntu 源码安装opencv320 报错 error: 'CODEC_FLAG_GLOBAL_HEADER' was not declared in this scope

问题4： fatal error: boostdesc_bgm.i: 没有那个文件或目录#include "boostdesc_bgm.i"

解决方法：

需要下列文件

• boostdesc_bgm.i

• boostdesc_bgm_bi.i

• boostdesc_bgm_hd.i

• boostdesc_lbgm.i

• boostdesc_binboost_064.i

• boostdesc_binboost_128.i

• boostdesc_binboost_256.i

• vgg_generated_120.i

• vgg_generated_64.i

• vgg_generated_80.i

• vgg_generated_48.i

网上下载压缩包（ 提取码：p50x ）拷贝到opencv_contrib/modules/xfeatures2d/src/目录下并且解压**

参考博客

安装OpenCV时提示缺少boostdesc_bgm.i文件的问题解决方案

（6）分工协作及总结

小组成员名单

学号	姓名	分工
071703428	叶梦晴	查阅资料、实际操作及博客撰写
031702444	李尚佳	实际操作、解决问题及博客撰写
181700134	宋娟	查阅资料及提供代码

在线协作

①通过TeamViewer远程控制有树莓派同学的电脑进行实际操作

②通过QQ语音和文件传输分享博客资料和沟通

③实验小结

本次实验学习了如何使用opencv和python控制树莓派的摄像头、利用树莓派的摄像头实现人脸识别以及opencv的docker容器中实现了人脸识别，整体操作下来没有特别大无法解决的问题。就是在搭建opencv库时，因为各种错误（大大小小的坑踩了个遍，环境重新烧录了好几遍QAQ），好几次编译进度条都到不了100%，花了很多很多的时间，在线协作和学习理论知识以及实践操作合计大概有20h，还有其他一些小问题都记录在上面了。通过这次实验体会到树莓派的用处真的很大，而且使用起来也真的很方便，期待下次能做出一个有创意又有意思的实验！