树莓派picamera+RTSP实现PC端python获取视频流

树莓派picamera+RTSP实现PC端python获取视频流

1.做什么事情？
本人想利用树莓派实时传输视屏，这样我在python端获视屏之后就可以做一些计算（本人从githu上找到了一个人脸表情识别代码，在此处应用，非常完美）
2.怎么做？
a.首先十分感谢大佬的这篇文章https://blog.csdn.net/u013062192/article/details/80210166 我之前用niginx+RTMP效果很差，看了大佬的操作之后，心中万分感激。看了这篇文章之后就相当于搭建好了rstp协议，这样你在PC端就可以获取数据。
b.我在pycharm中用opencv直接访问树莓派摄像头的代码如下：

// An highlighted block
import cv2


stream_addr2 ='rtsp://192.168.1.115:9554/webcam'
cap = cv2.VideoCapture(stream_addr2)

while(True):
  ret, frame = cap.read()
  cv2.imshow('capture', frame)
  if cv2.waitKey(1) & 0xFF == ord('q'):
      break

cap.release()
cv2.destroyAllWindows()
 

当然你的得填写你自己的stream_addr2的地址
运行之后得到如下的效果

c.人脸面部表情识别代码:
这边需要你自己去装opencv等一些必要文件，这个我也找过，没有整理，大家自己百度或者科学上网查查就ok,不是难事。

#!Anaconda/anaconda/python
#coding: utf-8

"""
从视ping中识别人脸，并实时标出面部特征点
"""

import dlib                     #人脸识别的库dlib
import numpy as np              #数据处理的库numpy
import cv2                      #图像处理的库OpenCv


class face_emotion():

  def __init__(self):
      # 使用特征提取器get_frontal_face_detector
      self.detector = dlib.get_frontal_face_detector()
      # dlib的68点模型，使用作者训练好的特征预测器
      self.predictor = dlib.shape_predictor("F:/shape_predictor_68_face_landmarks.dat")

      #建cv2摄像头对象，这里使用电脑自带摄像头，如果接了外部摄像头，则自动切换到外部摄像头
      rtmp_addr = 'rtsp://192.168.1.115:9554/webcam'
      self.cap = cv2.VideoCapture(rtmp_addr)

      #self.cap = cv2.VideoCapture(0)
      # 设置视频参数，propId设置的视频参数，value设置的参数值
      self.cap.set(4, 480)
      # 截图screenshoot的计数器
      self.cnt = 0


  def learning_face(self):

      # 眉毛直线拟合数据缓冲
      line_brow_x = []
      line_brow_y = []

      # cap.isOpened（） 返回true/false 检查初始化是否成功
      while(self.cap.isOpened()):

          # cap.read()
          # 返回两个值：
          #    一个布尔值true/false，用来判断读取视频是否成功/是否到视频末尾
          #    图像对象，图像的三维矩阵
          flag, im_rd = self.cap.read()

          # 每帧数据延时1ms，延时为0读取的是静态帧
          k = cv2.waitKey(1)


          # 取灰度
          img_gray = cv2.cvtColor(im_rd, cv2.COLOR_RGB2GRAY)
          # 使用人脸检测器检测每一帧图像中的人脸。并返回人脸数rects
          faces = self.detector(img_gray, 0)

          # 待会要显示在屏幕上的字体
          font = cv2.FONT_HERSHEY_SIMPLEX

          # 如果检测到人脸
          if(len(faces)!=0):

              # 对每个人脸都标出68个特征点
              for i in range(len(faces)):
                  # enumerate方法同时返回数据对象的索引和数据，k为索引，d为faces中的对象
                  for k, d in enumerate(faces):
                      # 用红色矩形框出人脸
                      cv2.rectangle(im_rd, (d.left(), d.top()), (d.right(), d.bottom()), (255, 0, 0))
                      # 计算人脸热别框边长
                      self.face_width = d.right() - d.left()

                      # 使用预测器得到68点数据的坐标
                      shape = self.predictor(im_rd, d)
                      # 圆圈显示每个特征点
                      for i in range(68):
                          cv2.circle(im_rd, (shape.part(i).x, shape.part(i).y), 2, (0, 255, 0), -1, 8)
                          #cv2.putText(im_rd, str(i), (shape.part(i).x, shape.part(i).y), cv2.FONT_HERSHEY_SIMPLEX, 0.5,
                          #            (255, 255, 255))

                      # 分析任意n点的位置关系来作为表情识别的依据
                      mouth_width = (shape.part(54).x - shape.part(48).x) / self.face_width  # 嘴巴咧开程度
                      mouth_higth = (shape.part(66).y - shape.part(62).y) / self.face_width  # 嘴巴张开程度
                      # print("嘴巴宽度与识别框宽度之比：",mouth_width_arv)
                      # print("嘴巴高度与识别框高度之比：",mouth_higth_arv)

                      # 通过两个眉毛上的10个特征点，分析挑眉程度和皱眉程度
                      brow_sum = 0  # 高度之和
                      frown_sum = 0  # 两边眉毛距离之和
                      for j in range(17, 21):
                          brow_sum += (shape.part(j).y - d.top()) + (shape.part(j + 5).y - d.top())
                          frown_sum += shape.part(j + 5).x - shape.part(j).x
                          line_brow_x.append(shape.part(j).x)
                          line_brow_y.append(shape.part(j).y)

                      # self.brow_k, self.brow_d = self.fit_slr(line_brow_x, line_brow_y)  # 计算眉毛的倾斜程度
                      tempx = np.array(line_brow_x)
                      tempy = np.array(line_brow_y)
                      z1 = np.polyfit(tempx, tempy, 1)  # 拟合成一次直线
                      self.brow_k = -round(z1[0], 3)  # 拟合出曲线的斜率和实际眉毛的倾斜方向是相反的

                      brow_hight = (brow_sum / 10) / self.face_width  # 眉毛高度占比
                      brow_width = (frown_sum / 5) / self.face_width  # 眉毛距离占比
                      # print("眉毛高度与识别框高度之比：",round(brow_arv/self.face_width,3))
                      # print("眉毛间距与识别框高度之比：",round(frown_arv/self.face_width,3))

                      # 眼睛睁开程度
                      eye_sum = (shape.part(41).y - shape.part(37).y + shape.part(40).y - shape.part(38).y +
                                 shape.part(47).y - shape.part(43).y + shape.part(46).y - shape.part(44).y)
                      eye_hight = (eye_sum / 4) / self.face_width
                      # print("眼睛睁开距离与识别框高度之比：",round(eye_open/self.face_width,3))

                      # 分情况讨论
                      # 张嘴，可能是开心或者惊讶
                      if round(mouth_higth >= 0.03):
                          if eye_hight >= 0.056:
                              cv2.putText(im_rd, "amazing", (d.left(), d.bottom() + 20), cv2.FONT_HERSHEY_SIMPLEX, 0.8,
                                          (0, 0, 255), 2, 4)
                          else:
                              cv2.putText(im_rd, "happy", (d.left(), d.bottom() + 20), cv2.FONT_HERSHEY_SIMPLEX, 0.8,
                                          (0, 0, 255), 2, 4)

                      # 没有张嘴，可能是正常和生气
                      else:
                          if self.brow_k <= -0.3:
                              cv2.putText(im_rd, "angry", (d.left(), d.bottom() + 20), cv2.FONT_HERSHEY_SIMPLEX, 0.8,
                                          (0, 0, 255), 2, 4)
                          else:
                              cv2.putText(im_rd, "nature", (d.left(), d.bottom() + 20), cv2.FONT_HERSHEY_SIMPLEX, 0.8,
                                          (0, 0, 255), 2, 4)

              # 标出人脸数
              cv2.putText(im_rd, "Faces: "+str(len(faces)), (20,50), font, 1, (0, 0, 255), 1, cv2.LINE_AA)
          else:
              # 没有检测到人脸
              cv2.putText(im_rd, "No Face", (20, 50), font, 1, (0, 0, 255), 1, cv2.LINE_AA)

          # 添加说明
          im_rd = cv2.putText(im_rd, "S: screenshot", (20, 400), font, 0.8, (0, 0, 255), 1, cv2.LINE_AA)
          im_rd = cv2.putText(im_rd, "Q: quit", (20, 450), font, 0.8, (0, 0, 255), 1, cv2.LINE_AA)

          # 按下s键截图保存
          if (k == ord('s')):
              self.cnt+=1
              cv2.imwrite("screenshoot"+str(self.cnt)+".jpg", im_rd)

          # 按下q键退出
          if(k == ord('q')):
              break

          # 窗口显示
          cv2.imshow("camera", im_rd)

      # 释放摄像头
      self.cap.release()

      # 删除建立的窗口
      cv2.destroyAllWindows()


if __name__ == "__main__":
  my_face = face_emotion()
  my_face.learning_face()

不多说,上图

希望大家采纳，谢谢！