A visão computacional, ou "computer vision", é um campo da inteligência artificial que permite aos computadores interpretarem e entenderem o mundo visual. Isso é especialmente útil em aplicações como reconhecimento facial, detecção de objetos, e navegação autônoma. Com a popularidade crescente do Raspberry Pi, um microcomputador acessível e versátil, torna-se viável implementar soluções de visão computacional em projetos de baixo custo e alta eficiência. Este artigo irá guiá-lo através do processo de configuração de um sistema de visão computacional usando um Raspberry Pi.

Exemplos:

Passo 1: Preparar o Ambiente

Primeiro, precisamos garantir que nosso Raspberry Pi esteja atualizado. Abra um terminal e execute os seguintes comandos:

sudo apt-get update
sudo apt-get upgrade

Passo 2: Instalar OpenCV

OpenCV (Open Source Computer Vision Library) é uma biblioteca poderosa para visão computacional. Para instalar o OpenCV no Raspberry Pi, siga os passos abaixo:

sudo apt-get install python3-opencv

Passo 3: Configurar a Câmera

Se você estiver usando a câmera oficial do Raspberry Pi, certifique-se de que ela esteja conectada corretamente e habilitada. Vá ao menu de configuração:

sudo raspi-config

Selecione "Interface Options" e depois "Camera", e habilite a câmera. Reinicie o Raspberry Pi após a configuração.

Passo 4: Capturar e Processar Imagens

Agora, vamos capturar uma imagem usando a câmera do Raspberry Pi e processá-la com OpenCV. Crie um script Python chamado capture_and_process.py:

import cv2

# Inicializar a câmera
cap = cv2.VideoCapture(0)

# Capturar uma única imagem
ret, frame = cap.read()

# Verificar se a captura foi bem-sucedida
if ret:
    # Converter a imagem para escala de cinza
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

    # Salvar a imagem processada
    cv2.imwrite('captured_image.png', gray)
else:
    print("Falha ao capturar a imagem")

# Liberar a câmera
cap.release()

Execute o script:

python3 capture_and_process.py

Se tudo estiver configurado corretamente, você verá um arquivo chamado captured_image.png no seu diretório atual, contendo a imagem capturada em escala de cinza.

Passo 5: Detecção de Faces

Para adicionar a funcionalidade de detecção de faces, modifique o script capture_and_process.py:

import cv2

# Carregar o classificador de detecção de faces
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')

# Inicializar a câmera
cap = cv2.VideoCapture(0)

# Capturar uma única imagem
ret, frame = cap.read()

# Verificar se a captura foi bem-sucedida
if ret:
    # Converter a imagem para escala de cinza
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

    # Detectar faces
    faces = face_cascade.detectMultiScale(gray, 1.1, 4)

    # Desenhar retângulos ao redor das faces detectadas
    for (x, y, w, h) in faces:
        cv2.rectangle(frame, (x, y), (x+w, y+h), (255, 0, 0), 2)

    # Salvar a imagem processada
    cv2.imwrite('captured_image_with_faces.png', frame)
else:
    print("Falha ao capturar a imagem")

# Liberar a câmera
cap.release()

Execute o script novamente:

python3 capture_and_process.py

Agora, você terá uma imagem captured_image_with_faces.png com retângulos ao redor das faces detectadas.