Curso-lenguaje-python/python-total/dia_14/asistencia.py

186 lines
4.6 KiB
Python
Raw Permalink Normal View History

"""
Programa dia 13 - Asistente virtual
Bibliotecas:
cmake
dlib
face-recognition
numpy
opencv-python
"""
import os
import cv2
import face_recognition as fr
import numpy
from datetime import datetime
# Crear base de datos
ruta = 'Empleados'
mis_imagenes = []
# Obtener nombres de las fotos
nombre_empleados = []
# Nombres con la extensión .jpg
lista_empleados = os.listdir(ruta)
# Cargar imágenes con loop
for nombre in lista_empleados:
# Leer la imagen
imagen_actual = cv2.imread(f'{ruta}/{nombre}')
# Añadimos las coordenadas de la imagen en una nueva lista
mis_imagenes.append(imagen_actual)
# Añadimos tan solo el nombre del empleado
nombre_empleados.append(os.path.splitext(nombre)[0])
# Mostrar lista creada
print(nombre_empleados)
def codificar(imagenes):
""" Codificar las imágenes """
# Crear una lista nueva
lista_codificada = []
# Loop para procesar las imágenes
for imagen in imagenes:
# Pasar imágenes a RGB
imagen = cv2.cvtColor(imagen, cv2.COLOR_BGR2RGB)
# Codificar
codificado = fr.face_encodings(imagen)[0]
# Agregar a la lista codificada
lista_codificada.append(codificado)
# Devolver lista codificada que se ha procesado
return lista_codificada
def registrar_ingresos(persona):
""" Recoger los datos de las capturas """
# Creamos el fichero registro.csv con Nombre, Hora
# Aquí lo abrimos para leer
f = open('registro.csv', 'r+')
# Hacemos un listado con las líneas del fichero
lista_datos = f.readlines()
# Lista vacía para almacenar los registros
nombres_registro = []
for linea in lista_datos:
# leemos separando por comas
ingreso = linea.split(',')
# Añadimos a la lista
nombres_registro.append(ingreso[0])
if persona not in nombres_registro:
# Determinamos la hora actual
ahora = datetime.now()
# Le damos formato a la hora
string_ahora = ahora.strftime('%H:%M:%S')
# Escribimos la persona
f.writelines(f'\n{persona}, {string_ahora}')
# Llamar a la función
lista_empleados_codificada = codificar(mis_imagenes)
# Mostrar número de imágenes codificadas en la función
# print(len(lista_empleados_codificada))
# Tomar una imágen de cámara web
captura = cv2.VideoCapture(0)
# Configuración de la captura para Linux
captura.set(cv2.CAP_PROP_FRAME_WIDTH, 1280)
captura.set(cv2.CAP_PROP_FRAME_HEIGHT, 1024)
sleep = 'sleep 3'
os.system(sleep)
captura.set(cv2.CAP_PROP_EXPOSURE, -8.0)
# Leer la imágen de la cámara
# El método read() arroja dos elementos:
# - Si se ha podido realizar la captura
# - Devuelve la imágen
exito, imagen = captura.read()
if not exito:
print('No se pudo tomar la captura')
else:
# Primero intentamos reconocer la cara en captura
cara_captura = fr.face_locations(imagen)
# Codificar la cara capturada
cara_captura_codificada = fr.face_encodings(imagen, cara_captura)
# Busquemos coincidencias entre las imágenes capturadas
# y la lista de imágenes de empleados
for caracodif, caraubic in zip(cara_captura_codificada, cara_captura):
# Comparación
coincidencias = fr.compare_faces(lista_empleados_codificada, caracodif)
# Distancias de comparación
distancias = fr.face_distance(lista_empleados_codificada, caracodif)
# La distancia menor de la lista "distancias"
# será la que indique el parecido más cercano
print(distancias)
# Buscar el valor mínimo y añadir a variable
indice_coincidencia = numpy.argmin(distancias)
# Mostrar coincidencias si las hay
if distancias[indice_coincidencia] > 0.6:
texto = 'No coincide'
else:
# Buscar el nombre del empleado encontrado
texto = nombre_empleados[indice_coincidencia]
# Crear rectangulo cara
y1, x2, y2, x1 = caraubic
cv2.rectangle(
imagen,
(x1, y1),
(x2, y2),
(0, 255, 0),
2
)
# Crear rectangulo verde de texto
cv2.rectangle(
imagen,
(x1, y2 - 35),
(x2, y2),
(0, 255, 0),
cv2.FILLED
)
# Crear texto
cv2.putText(
imagen,
texto,
(x1 + 6, y2 - 6),
cv2.FONT_HERSHEY_COMPLEX,
0.6,
(255, 255, 255),
2
)
registrar_ingresos(nombre)
# Mostrar la imagen obtenida por la cámara
cv2.imshow('Imagen web', imagen)
# Mantener la ventana abierta
cv2.waitKey(0)