finish session push

bildPy/src/source.py

@@ -1,76 +1,164 @@
 import cv2
 import os
 import numpy as np
+import pickle
 
-# da wir in src sind , so können wir zu andrem ordner kommen
+# --- KONFIGURATION ---
+# Pfade zu den Daten und Modellordnern
 RAW_DATA_PFAD = "../data_raw"
 MODEL_PFAD = "../models"
-MODEL_FILE = os.path.join(MODEL_PFAD, "trained_lbph.yml") # yml für biometrische Data
-NAMES_FILE = os.path.join(MODEL_PFAD, "names.pkl") # für mapping the ids from bio data  to real person
+# Datei für die trainierten biometrischen Daten
+MODEL_FILE = os.path.join(MODEL_PFAD, "trained_lbph.yml")
+# Datei für das Mapping von IDs zu Personennamen
+NAMES_FILE = os.path.join(MODEL_PFAD, "names.pkl")
 
-# gesicht detektor erstmal initializieren
+# Initialisierung des Haar-Cascade-Detektors für die Gesichtserkennung
 face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
 
-
-#LBPH Recognizer initializieren
+# Initialisierung des LBPH-Recognizers [cite: 8]
 recognizer = cv2.face.LBPHFaceRecognizer_create()
 
-# dir hersteller
+
 def create_directory_if_not_exists(directory):
+    """Erstellt den Zielordner, falls dieser nicht existiert."""
     if not os.path.exists(directory):
         os.makedirs(directory)
 
-# trainiert model
+
 def train_model():
-    print("\n-training is angefangen")
+    """Lädt Bilder, extrahiert Gesichter und trainiert das LBPH-Modell."""
+    print("\n--- Training wird gestartet ---")
     faces = []
     ids = []
     names_map = {}
     current_id = 0
 
-
-# überpruft ob data dir schon exestiert
     if not os.path.exists(RAW_DATA_PFAD):
-        print(f"Error: Directory '{RAW_DATA_PFAD}' nicht gefunden.")
+        print(f"Fehler: Ordner '{RAW_DATA_PFAD}' nicht gefunden.")
         return
 
-
-# geht durch jede ordner in data raw (e.g., diddy, kirk, etc.)
+    # Durchläuft alle Personen-Ordner in data_raw
     for person_name in os.listdir(RAW_DATA_PFAD):
         person_path = os.path.join(RAW_DATA_PFAD, person_name)
 
-
-
-# verpasst (skip) alles was nicht ordner ist so wie store.ds oder sowas (.txt....)
         if not os.path.isdir(person_path):
             continue
 
         names_map[current_id] = person_name
-        print(f"Processing ID {current_id}: {person_name}")
+        print(f"Verarbeite Person: {person_name} (ID: {current_id})")
 
-        # geht durch jedes Bild in der Ordner jeder Person
         for image_name in os.listdir(person_path):
-
-            if image_name.startswith("."): continue  # Skip unsichbare files die mit . starten
+            if image_name.startswith("."):
+                continue
 
             image_path = os.path.join(person_path, image_name)
-
-            # ladet das bild hoch dann convertiert zum Grayscale
             img = cv2.imread(image_path)
-            if img is None: continue
+
+            if img is None:
+                continue
+
+            # Konvertierung in Graustufen für die LBP-Extraktion [cite: 36]
             gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
 
-
-             #detectiert gesichte
+            # Gesichter im Bild erkennen
             faces_rects = face_cascade.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=5)
+
             for (x, y, w, h) in faces_rects:
-                # region von interest ist das gesicht selbst
-                roi = gray[y:y + w, x:x + h]
+                # Gesichtsbereich (ROI) ausschneiden
+                roi = gray[y:y + h, x:x + w]
                 faces.append(roi)
                 ids.append(current_id)
 
         current_id += 1
 
     if len(faces) == 0:
-        print("No faces found. Please check your 'data_raw' folder.")
+        print("Fehler: Keine Gesichter im 'data_raw' Ordner gefunden.")
         return
+
+    # Modell mit den gesammelten Gesichtern trainieren
+    print(f"Training mit {len(faces)} Gesichtsproben läuft...")
+    recognizer.train(faces, np.array(ids))
+
+    # Modell und Namenszuordnung speichern
+    create_directory_if_not_exists(MODEL_PFAD)
+    recognizer.write(MODEL_FILE)
+    with open(NAMES_FILE, 'wb') as f:
+        pickle.dump(names_map, f)
+
+    print(f"Erfolg! Modell gespeichert unter: {MODEL_FILE}")
+
+
+def recognize_faces():
+    """Startet die Live-Erkennung über die Webcam."""
+    print("\n--- Live-Erkennung gestartet ---")
+
+    if not os.path.exists(MODEL_FILE) or not os.path.exists(NAMES_FILE):
+        print("Fehler: Kein trainiertes Modell gefunden. Bitte zuerst Option 1 wählen.")
+        return
+
+    # Modell und Namen laden
+    recognizer.read(MODEL_FILE)
+    with open(NAMES_FILE, 'rb') as f:
+        names_map = pickle.load(f)
+
+    # Webcam-Stream öffnen
+    cap = cv2.VideoCapture(0)
+    print("Info: Drücke 'q', um die Erkennung zu beenden.")
+
+    while True:
+        ret, frame = cap.read()
+        if not ret:
+            break
+
+        gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
+        faces_rects = face_cascade.detectMultiScale(gray, 1.2, 5)
+
+        for (x, y, w, h) in faces_rects:
+            roi_gray = gray[y:y + h, x:x + w]
+
+            # Vorhersage treffen (ID und Confidence-Wert) [cite: 48, 49]
+            # Hinweis: Ein niedrigerer Confidence-Wert bedeutet eine höhere Genauigkeit bei LBPH.
+            id_, confidence = recognizer.predict(roi_gray)
+
+            if confidence < 85:  # Schwellenwert für die Erkennung [cite: 49]
+                name = names_map[id_]
+                prozent = f"{round(100 - confidence)}%"
+            else:
+                name = "Unbekannt"
+                prozent = f"{round(100 - confidence)}%"
+
+            # Farbe festlegen: Grün für bekannt, Rot für unbekannt
+            color = (0, 255, 0) if name != "Unbekannt" else (0, 0, 255)
+
+            # Rahmen und Text im Bild einblenden
+            cv2.rectangle(frame, (x, y), (x + w, y + h), color, 2)
+            cv2.putText(frame, f"{name} ({prozent})", (x, y - 10),
+                        cv2.FONT_HERSHEY_SIMPLEX, 0.8, color, 2)
+
+        cv2.imshow("Klassenprojekt - LBPH Gesichtserkennung", frame)
+
+        if cv2.waitKey(1) & 0xFF == ord('q'):
+            break
+
+    cap.release()
+    cv2.destroyAllWindows()
+
+
+if __name__ == "__main__":
+    while True:
+        print("\n=== LBPH GESICHTSERKENNUNG MENÜ ===")
+        print("1. Modell trainieren")
+        print("2. Live-Erkennung starten (Webcam)")
+        print("3. Beenden")
+
+        wahl = input("Wähle eine Option (1-3): ")
+
+        if wahl == '1':
+            train_model()
+        elif wahl == '2':
+            recognize_faces()
+        elif wahl == '3':
+            print("Programm beendet.")
+            break
+        else:
+            print("Ungültige Eingabe.")