def get_frame(self):
# lê e converte o frame de BGR para RGB e redimensiona o width para acelerar o processamento
ret, frame = self.video.read()
frame = imutils.resize(frame, width=500)
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
# executa a detecção de faces
rects = faceClass.detectMultiScale(gray,
scaleFactor=1.1,
minNeighbors=5,
minSize=(30, 30))
# ajusta as medidas do rosto para TOP,RIGHT,BOTTOM,LEFT
rostos = [(y, x + w, y + h, x) for (x, y, w, h) in rects]
# classifica
encodings = face_recognition.face_encodings(rgb, rostos)
names = []
for encoding in encodings:
# faz a tentativa de match entre o input e os encodings existentes
matches = face_recognition.compare_faces(data["encodings"],
encoding)
name = "Unknown"
if True in matches:
# cria um dicionário com os pontos que combinaram na comparação
matchedIds = [i for (i, b) in enumerate(matches) if b]
counts = {}
# loop over the matched indexes and maintain a count for
# each recognized face face
print('[INFO] matches in frame:' + str(len(matchedIds)))
if (len(matchedIds) > 50):
for i in matchedIds:
name = data["nomes"][i]
counts[name] = counts.get(name, 0) + 1
# determine the recognized face with the largest number
# of votes (note: in the event of an unlikely tie Python
# will select first entry in the dictionary)
name = max(counts, key=counts.get)
# atualiza lista de nomes
names.append(name)
# exibe a caixa com nome reconhecido em volta do rosto
faces.showFaces(frame, rostos, name, names)
else:
# exibe a caixa com nome UNKNOWN em volta do rosto
print('[INFO] matches in frame:' + str(len(matchedIds)))
faces.showFaces(frame, rostos, name, None)
else:
# exibe a caixa com nome UNKNOWN em volta do rosto
print('[INFO] no matches found')
faces.showFaces(frame, rostos, name, None)
ret, jpeg = cv2.imencode('.jpg', frame)
return jpeg.tobytes()
