라즈베리파이 실시간 얼굴 인식: 엔드투엔드 가이드

이 튜토리얼은 OpenCV와 Pi-Cam을 사용해 라즈베리파이에서 실시간 얼굴 인식 시스템을 구축하는 과정을 안내합니다. 하드웨어 설정부터 인식기 훈련까지 모든 단계를 명확한 코드 스니펫과 실용적인 팁과 함께 제시합니다.

아래에서 Pi-Cam이 실시간으로 얼굴을 감지하는 라이브 데모를 확인할 수 있습니다.

이 프로젝트는 실시간 성능에 최적화된 오픈소스 OpenCV 라이브러리에 의존합니다. 라즈비안 실행 라즈베리파이에 초점을 맞추지만, 동일한 코드가 macOS와 Windows에서도 약간의 조정만으로 실행됩니다.

3단계

완전한 얼굴 인식 워크플로는 세 가지 뚜렷한 단계로 나눌 수 있습니다:

• 얼굴 감지 및 데이터 수집
• 인식기 훈련
• 실시간 얼굴 인식

아래 다이어그램은 이 단계들을 요약합니다.

1단계: BOM – 자재 명세서

필수 구성 요소:

• 라즈베리파이 3 – $32.00
• 5MP 1080p OV5647 미니 카메라 모듈 – $13.00

2단계: OpenCV 3 설치

Adrian Rosebrock의 가이드를 따라 라즈비안 스트레치에 OpenCV 3을 깨끗하게 설치하는 것을 권장합니다. 튜토리얼 완료 후 전용 파이썬 가상 환경을 활성화하세요:

source ~/.profile
workon cv

환경 내부에서 파이썬 버전과 OpenCV 설치 확인:

python
>>> import cv2
>>> cv2.__version__

3.3.0 이상 버전 번호가 보여야 합니다.

3단계: 카메라 테스트

카메라가 감지되지 않으면 드라이버를 활성화하세요:

sudo modprobe bcm2835-v4l2

다음 파이썬 스니펫은 Pi-Cam 스트림을 열고 컬러와 그레이스케일로 표시하며 수직으로 뒤집습니다(카메라 방향이 다르면 조정):

import numpy as np
import cv2
cap = cv2.VideoCapture(0)
cap.set(3, 640)
cap.set(4, 480)
while True:
    ret, frame = cap.read()
    frame = cv2.flip(frame, -1)
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    cv2.imshow('frame', frame)
    cv2.imshow('gray', gray)
    if cv2.waitKey(30) & 0xff == 27:
        break
cap.release()
cv2.destroyAllWindows()

python simpleCamTest.py로 실행하세요 (프로젝트 GitHub에서 사용 가능). ESC로 종료.

4단계: 얼굴 감지

OpenCV의 Haar Cascade 분류기는 얼굴을 감지하기 위한 경량 머신러닝 접근법입니다. 사전 훈련된 XML 파일(haarcascade_frontalface_default.xml)을 다운로드해 Cascades 폴더에 넣으세요. 다음 스크립트는 바운딩 박스와 함께 실시간 얼굴 감지를 시연합니다:

import cv2
faceCascade = cv2.CascadeClassifier('Cascades/haarcascade_frontalface_default.xml')
cap = cv2.VideoCapture(0)
cap.set(3, 640)
cap.set(4, 480)
while True:
    ret, img = cap.read()
    img = cv2.flip(img, -1)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    faces = faceCascade.detectMultiScale(
        gray, scaleFactor=1.2, minNeighbors=5, minSize=(20, 20)
    )
    for (x, y, w, h) in faces:
        cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)
    cv2.imshow('video', img)
    if cv2.waitKey(30) & 0xff == 27:
        break
cap.release()
cv2.destroyAllWindows()

detectMultiScale 파라미터는 감도를 제어합니다: scaleFactor는 반복마다 이미지 크기를 줄이고, minNeighbors는 거짓 양성을 필터링하며, minSize는 감지 가능한 최소 얼굴 크기를 설정합니다.

추가 예제

프로젝트 GitHub에서 더 많은 감지 옵션 탐색:

• faceEyeDetection.py
• faceSmileDetection.py
• faceSmileEyeDetection.py

Haar Cascade 객체 감지 – 얼굴 & 눈 튜토리얼

5단계: 데이터 수집

훈련을 위해 레이블된 데이터셋 수집이 필수적입니다. 프로젝트 폴더(예: FacialRecognitionProject)와 dataset 서브디렉토리를 생성하세요:

mkdir FacialRecognitionProject
cd FacialRecognitionProject
mkdir dataset

Haar Cascade 파일을 프로젝트 루트에 다운로드한 후 01_face_dataset.py를 실행해 사용자당 30장의 얼굴 이미지를 캡처하세요:

import cv2
import os
cam = cv2.VideoCapture(0)
cam.set(3, 640)
cam.set(4, 480)
face_detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
face_id = input('\n사용자 ID(숫자) 입력 후 <Return> → ')
print('\n[INFO] 얼굴 캡처 초기화 중. 카메라를 보세요…')
count = 0
while True:
    ret, img = cam.read()
    img = cv2.flip(img, -1)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    faces = face_detector.detectMultiScale(gray, 1.3, 5)
    for (x, y, w, h) in faces:
        cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)
        count += 1
        cv2.imwrite(f'dataset/User.{face_id}.{count}.jpg', gray[y:y+h, x:x+w])
        cv2.imshow('image', img)
    if cv2.waitKey(100) & 0xff == 27 or count >= 30:
        break
if count >= 30:
    break
cam.release()
cv2.destroyAllWindows()
print('\n[INFO] 프로그램 종료 및 정리.')

각 이미지는 User.{id}.{count}.jpg 형식으로 명명됩니다(예: User.1.4.jpg). 필요에 따라 샘플 수를 조정하세요.

6단계: 훈련

수집된 이미지로 OpenCV 얼굴 인식기를 훈련시킵니다. 결과 모델은 trainer 폴더에 .yml 파일로 저장됩니다. 구현 세부 사항은 프로젝트 저장소의 전체 훈련 스크립트를 참조하세요.

자세히 보기: 실시간 얼굴 인식 – 엔드투엔드 프로젝트