Raspberry Piでリアルタイム顔認識：エンドツーエンドガイド

このチュートリアルでは、OpenCVとPi-Camを使用してRaspberry Pi上でリアルタイム顔認識システムを構築する手順を、ハードウェアセットアップから認識器のトレーニングまで、明確なコードスニペットと実用的なヒントとともに解説します。

以下は、Pi-Camがリアルタイムで顔を検知するライブデモです。

このプロジェクトは、リアルタイム性能に最適化されたオープンソースのOpenCVライブラリに依存しています。ここではRaspbian搭載Raspberry Piに焦点を当てますが、同じコードはmacOSとWindowsでもわずかな調整で動作します。

3つのフェーズ

完全な顔認識ワークフローは、以下の3つの明確な段階に分解できます：

• 顔検知とデータ収集
• 認識器のトレーニング
• リアルタイム顔認識

ステップ1：部品表（BOM）

必須コンポーネント：

• Raspberry Pi 3 – 32.00ドル
• 500万画素 1080p OV5647 ミニカメラモジュール – 13.00ドル

ステップ2：OpenCV 3のインストール

Raspbian StretchへのクリーンなOpenCV 3インストールには、 Adrian Rosebrockのガイド を推奨。チュートリアル完了後、専用のPython仮想環境をアクティブ化：

source ~/.profile
workon cv

環境内でPythonバージョンとOpenCVインストールを確認：

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

3.3.0以降のバージョン番号が表示されるはずです。

ステップ3：カメラのテスト

カメラが検出されない場合、ドライバーを有効化：

sudo modprobe bcm2835-v4l2

以下のPythonスニペットでPi-Camストリームを開き、カラーとグレースケールで表示、垂直反転（カメラの向きが異なる場合は調整）：

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.py で実行（プロジェクトのGitHubで入手可能）。 ESC キーで終了。

ステップ4：顔検知

OpenCVのHaar Cascade分類器は、顔検知のための軽量な機械学習アプローチです。事前学習済みXMLファイル（ haarcascade_frontalface_default.xml ）をダウンロードし、 Cascades フォルダに配置。以下のスクリプトでバウンディングボックス付きリアルタイム顔検知をデモ：

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 パラメータで感度を制御： scaleFactor は各イテレーションで画像サイズを縮小、 minNeighbors は誤検知をフィルタリング、 minSize は検知可能な最小顔サイズを設定。

追加例

プロジェクトのGitHubでさらなる検知オプションを確認：

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

Haar Cascade Object Detection – Face & Eye Tutorial

ステップ5：データ収集

ラベル付きデータセットの収集はトレーニングに不可欠。プロジェクトフォルダ（例： FacialRecognitionProject ）と dataset サブディレクトリを作成：

mkdir FacialRecognitionProject
cd FacialRecognitionProject
mkdir dataset

Haar Cascadeファイルをプロジェクトルートにダウンロード。その後 01_face_dataset.py を実行し、ユーザーごとに30枚の顔画像を取得：

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('\nユーザーID（数値）を入力し、Enterキーを押してください → ')
print('\n[INFO] 顔撮影を初期化中。カメラを見てください…')
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] プログラム終了とクリーンアップ。')

各画像は User.{id}.{count}.jpg （例： User.1.4.jpg ）という命名規則。必要に応じてサンプル数を調整可能。

ステップ6：トレーナー

収集した画像を使用してOpenCV顔認識器をトレーニング。結果のモデルは trainer フォルダに .yml ファイルとして保存。実装詳細はプロジェクトリポジトリの完全なトレーニングスクリプトを参照。

詳細を見る：Real-Time Face Recognition – End-to-End Project