这里仅讨论识别人脸,先不讨论识别不同的人脸
本例程的目的是利用haar算子实现人脸识别。
这个例子展示了OpenMV Cam的内置人脸检测功能。
人脸检测通过在图像上使用Haar Cascade特征检测器来工作。 haar级联是
一系列简单的区域对比检查。 对于内置的前表面探测器，有25个阶段的检查，
每个阶段有数百个检查一块。 Haar Cascades运行速度很快，因为只有在
以前的阶段过去后才会评估后期阶段。 此外，您的OpenMV使用称为
整体图像的数据结构来在恒定时间内快速执行每个区域对比度检查
（特征检测仅为灰度的原因是因为整体图像的空间需求）。
import sensor, time, image
重置感光元件
sensor.reset()
感光元件设置
sensor.set_contrast(3)
sensor.set_gainceiling(16)
HQVGA and GRAYSCALE are the best for face tracking.
HQVGA和灰度对于人脸识别效果最好
sensor.set_framesize(sensor.HQVGA)
sensor.set_pixformat(sensor.GRAYSCALE)
注意人脸识别只能用灰度图哦
加载Haar算子
默认情况下，这将使用所有阶段，更低的satges更快，但不太准确。
face_cascade = image.HaarCascade("frontalface", stages=25)
image.HaarCascade(path, stages=Auto)加载一个haar模型。haar模型是二进制文件，
这个模型如果是自定义的，则引号内为模型文件的路径；也可以使用内置的haar模型，
比如“frontalface” 人脸模型或者“eye”人眼模型。
stages值未传入时使用默认的stages。stages值设置的小一些可以加速匹配，但会降低准确率。
print(face_cascade)
FPS clock
clock = time.clock()
while (True):
clock.tick()
拍摄一张照片
img = sensor.snapshot()Find objects.Note: Lower scale factor scales-down the image more and detects smaller objects.Higher threshold results in a higher detection rate, with more false positives.
** objects = img.find_features(face_cascade, threshold=0.75, scale=1.35)**
image.find_features(cascade, threshold=0.5, scale=1.5),thresholds越大，
匹配速度越快，错误率也会上升。scale可以缩放被匹配特征的大小。
在找到的目标上画框，标记出来
for r in objects:img.draw_rectangle(r)打印FPS。注：实际FPS更高，流FB使它更慢。
print(clock.fps())
find_features(cascade, threshold=0.5, scale=1.5, roi: Tuple[int, int, int, int] | None = None)→ List[Tuple[int, int, int, int]]
此方法在图像中搜索所有与传入的Haar级联匹配的区域，并返回一个围绕这些特征的边界框矩形元组列表 (x, y, w, h)。如果未找到特征，则返回一个空列表。
cascade 是一个Haar级联对象。有关详细信息，请参阅 image.HaarCascade()。
threshold 是一个阈值（0.0-1.0），较小的值会增加检测率，但会提高误检率。相反，较高的值会降低检测率，但会降低误检率。
scale 是一个浮点数，必须大于1.0。较高的比例因子会运行得更快，但图像匹配效果会大打折扣。一个好的值介于1.35和1.5之间。
roi 是感兴趣区域的矩形元组(x, y, w, h)。如果未指定，则等于图像矩形。仅操作 roi 内的像素。
