~/projects / facepi
archived 2021—

FacePI - Azure 人臉辨識應用

— 基於 Microsoft Azure Face API 的桌面人臉辨識應用程式，透過 Python Tkinter 提供圖形化介面，整合 OpenCV 攝影機擷取、人臉偵測、人臉辨識與訓練功能，支援 PersonGroup 分組管理機制。

基於 Microsoft Azure Face API 的桌面人臉辨識應用程式，透過 Python Tkinter 提供圖形化介面，整合 OpenCV 攝影機擷取、人臉偵測、人臉辨識與訓練功能，支援 PersonGroup 分組管理機制。

⌥ GitHub github.com/Unforgettableeternalproject/FacePI
STATUS
archived
—— 01 / overview

專案總覽

專案簡介

FacePI 是一個基於 Microsoft Azure Face API 的桌面人臉辨識應用程式，透過 Python Tkinter 提供圖形化介面，整合 OpenCV 攝影機擷取、人臉偵測、人臉辨識與訓練功能。專案採用 PersonGroup 分組管理機制，支援本地圖片與 URL 圖片兩種辨識模式,適用於門禁系統、考勤管理與身份驗證場景。

核心理念

  • Azure Face API 整合:利用微軟雲端 AI 服務實現高精度人臉辨識
  • 圖形化操作介面:Tkinter 主控台提供命令輸入與即時回饋
  • PersonGroup 管理:支援多人臉訓練與分組管理
  • 雙模式辨識:本地圖片檔案與網路 URL 圖片皆可辨識

我的職責

作為專案的唯一開發者，我負責：

系統架構設計

  • 設計模組化類別架構：6 個核心類別（ClassWindow, ClassFacePI, ClassOpenCV, ClassPerson, ClassPersonGroup, ClassConfig）
  • 實作 Tkinter GUI 主控台：命令行介面 + 即時輸出視窗
  • 整合 OpenCV 攝影機擷取流程
  • 設計 JSON 配置檔管理系統

Azure Face API 整合 (ClassFacePI.py - 123 行)

  • 人臉偵測 (Detect)：
    • 本地圖片偵測：detectLocalImage(imagepath)
    • URL 圖片偵測：detectImageUrl(imageurl)
    • 返回人臉座標、年齡、性別等屬性
  • 人臉辨識 (Identify)：
    • identify(faceidkeys, personGroupId) - 比對 PersonGroup 中的人臉
    • 返回辨識結果與信心度（confidence）
  • API 請求處理：
    • HTTP/HTTPS 連線管理
    • JSON 資料序列化與反序列化
    • 錯誤處理與重試機制

OpenCV 攝影機整合 (ClassOpenCV.py - 106 行)

  • 即時攝影機擷取：
    • show_opencv(hint) - 開啟攝影機視窗
    • 按下空白鍵拍照
    • 自動儲存至 takenpictures/ 資料夾
  • 人臉框選：
    • Haar Cascade 分類器偵測人臉
    • 綠色矩形框即時標示
    • 提示訊息覆蓋顯示

PersonGroup 管理 (ClassPersonGroup.py - 59 行 + ClassPerson.py - 113 行)

  • PersonGroup 操作：
    • create(personGroupId, name, userData) - 建立人臉群組
    • train(personGroupId) - 訓練人臉模型
    • getTrainingStatus(personGroupId) - 查詢訓練狀態
    • list() - 列出所有群組
  • Person 操作：
    • create(personGroupId, name, userData) - 新增人員
    • addFace(personGroupId, personId, imagepath) - 加入人臉圖片
    • list(personGroupId) - 列出群組中所有人員
    • delete(personGroupId, personId) - 刪除人員

GUI 主控台開發 (ClassWindow.py - 290 行)

  • Tkinter 視窗架構：
    • 主控台輸出視窗（Console Output - 唯讀 Text 元件）
    • 命令輸入視窗（Command Panel - Entry 元件）
    • 動畫式文字輸出效果
  • 命令系統：
    • sign_in - 註冊新人臉（拍攝 3 張照片）
    • train - 訓練 PersonGroup 模型
    • f_dt - 人臉偵測（本地圖片）
    • f_id_local - 人臉辨識（本地圖片）
    • f_id_url - 人臉辨識（URL 圖片）
    • p_json - 列印 PersonGroup JSON 資料
    • lol - 彩蛋命令
  • 用戶互動：
    • 即時回饋訊息
    • 錯誤提示對話框
    • 訓練資料輸入彈窗

配置管理 (ClassConfig.py - 28 行)

  • JSON 配置讀寫：
    • 儲存 Azure API Key 與 Endpoint
    • 讀取配置：readConfig()
    • 寫入配置：writeConfig(api_key, host)

主程式邏輯 (MainProgram.py - 101 行)

  • 訓練流程 (Train)：
    1. 呼叫 OpenCV 拍攝 3 張照片
    2. 輸入姓名與描述
    3. 儲存至 traindatas/<userData>/<personname>/ 資料夾
    4. 建立 PersonGroup 與 Person
    5. 上傳人臉圖片至 Azure
    6. 執行訓練
  • 辨識流程 (Identify)：
    1. 偵測圖片中的人臉（取得 faceId）
    2. 呼叫 Azure Identify API
    3. 比對 PersonGroup 中的人員
    4. 返回最佳匹配結果與信心度

核心功能

1. 人臉偵測 (Face Detection)

  • 本地圖片偵測：

    • 上傳圖片至 Azure Face API
    • 返回人臉座標、年齡、性別
    • 支援多人臉偵測（一張圖片偵測多個人）

  • URL 圖片偵測：

    • 提供圖片網址進行偵測
    • 相同的屬性返回格式

  • 輸出範例：

    Detected 2 people(person).
Person No.1:
Gender: male, age: 25.
Person No.2:
Gender: female, age: 22.

2. 人臉辨識 (Face Identification)

  • 辨識流程：
    1. 偵測人臉取得 faceId
    2. 比對 PersonGroup 中的訓練資料
    3. 返回候選人列表與信心度
  • 信心度評估：
    • 0.7 以上：高度可信
    • 0.5 - 0.7：中等可信
    • 0.5 以下：低可信度
  • 未知人臉處理：
    • 若無匹配結果，返回空陣列
    • 提示使用者該人臉未訓練

3. 人臉訓練 (Face Training)

  • 訓練步驟：

    1. 攝影機拍攝 3 張人臉照片
    2. 輸入姓名與描述資訊
    3. 建立 PersonGroup（若不存在）
    4. 建立 Person 實體
    5. 上傳 3 張人臉圖片至 Azure
    6. 執行訓練（Train PersonGroup）
    7. 等待訓練完成（Training Status: succeeded）

  • 資料儲存結構：

    traindatas/
├── I am Bernie/
│   └── Bernie/
│       ├── pgid_20220108_194909.jpg
│       ├── pgid_20220108_194915.jpg
│       └── pgid_20220108_194921.jpg
└── Actually Brian/
    └── Eason/
        ├── pgid_20220105_162515.jpg
        ├── pgid_20220105_162518.jpg
        └── pgid_20220105_162521.jpg

4. PersonGroup 管理

  • 群組操作：
    • 建立新群組
    • 列出所有群組
    • 訓練群組模型
    • 查詢訓練狀態
  • 人員操作：
    • 新增人員至群組
    • 為人員加入人臉圖片
    • 刪除人員
    • 列出群組中所有人員

5. OpenCV 攝影機擷取

  • 即時預覽：
    • 開啟攝影機即時畫面
    • Haar Cascade 人臉偵測
    • 綠色矩形框標示人臉
  • 拍照功能：
    • 按下空白鍵拍照
    • 自動儲存至 takenpictures/
    • 檔名格式：pgid_YYYYMMDD_HHMMSS.jpg
  • 提示訊息：
    • 自訂提示文字顯示於畫面
    • 例如："Smile :)" 或 "(Picture No. 1)"

6. Tkinter GUI 主控台

  • 命令行介面：
    • 輸入命令執行功能
    • 即時輸出結果至主控台
    • 動畫式文字顯示效果
  • 錯誤處理：
    • 無效命令提示
    • API 錯誤回饋
    • 網路連線失敗警告

使用技術

開發框架

  • Python 3.10：程式語言
  • Tkinter：圖形介面框架（內建函式庫）
  • OpenCV (cv2)：攝影機擷取與影像處理
  • Microsoft Azure Face API：雲端人臉辨識服務

Azure Face API

  • Face - Detect：人臉偵測 API
  • Face - Identify：人臉辨識 API
  • PersonGroup：人臉群組管理
  • Person：人員管理
  • PersonGroup Person - Add Face：人臉圖片上傳
  • PersonGroup - Train：訓練人臉模型

關鍵技術

  • HTTP/HTTPS 請求：http.client 模組
  • JSON 序列化：配置檔與 API 資料處理
  • Haar Cascade 分類器：OpenCV 人臉偵測
  • 檔案系統操作：圖片儲存與資料夾管理

開發工具

  • Visual Studio Code：IDE
  • Git：版本控制

專案狀態

當前版本：2.0 (功能完整)

  • 2022/1/4：完成 FacePI ver 1.0
  • 2022/1/6：完成 FacePI ver 2.0（自訂視窗介面）

功能完成度

  • ✅ 已完成：
    • 人臉偵測（本地與 URL）
    • 人臉辨識（PersonGroup）
    • 人臉訓練（3 張照片上傳）
    • OpenCV 攝影機擷取
    • Tkinter GUI 主控台
    • PersonGroup 管理
    • Person 管理
    • JSON 配置系統
    • 命令系統（7 種命令）
    • 錯誤處理機制
  • 📋 待改進：
    • 批次訓練多人
    • 訓練進度視覺化
    • 辨識結果歷史記錄
    • 更多 API 屬性支援（emotion, accessories）

開發挑戰與收穫

1. Azure Face API 整合

挑戰：如何正確呼叫 Azure Face API 並處理 JSON 回應？

解決方案：

  • 使用 http.client.HTTPSConnection 建立 HTTPS 連線
  • 設定正確的 Headers（Content-Type, Ocp-Apim-Subscription-Key）
  • 使用 urllib.parse.urlencode 編碼 URL 參數
  • JSON 回應解析：json.loads(str(data, 'UTF-8'))

收穫：

  • 學習 RESTful API 呼叫規範
  • 掌握 HTTP/HTTPS 請求處理
  • 理解 JSON 資料序列化

2. Tkinter 動畫文字效果

挑戰：如何實現打字機動畫效果（逐字顯示）？

解決方案：

  • 遞迴函式設計：c_print(text[1:], mode)
  • 使用 after(50, callback) 延遲執行
  • 控制 Text 元件狀態（NORMAL/DISABLED）

程式碼片段：

def c_print(self, text, mode='animated'):
    if mode == 'animated':
        self.CO['state'] = NORMAL
        if len(text) > 0:
            self.CO.insert(tk.END, text[0])
            if len(text) > 1:
                self.CO.after(50, self.c_print, text[1:], mode)
        self.CO['state'] = DISABLED

收穫：

  • 理解遞迴函式應用
  • 掌握 Tkinter after 非同步呼叫
  • 學習 GUI 動畫實作技巧

3. OpenCV 攝影機擷取

挑戰：如何整合 OpenCV 與 Tkinter？

解決方案：

  • 使用 cv2.VideoCapture(0) 開啟攝影機
  • 迴圈讀取影格：cap.read()
  • 偵測空白鍵：cv2.waitKey(1) == 32
  • 拍照後儲存並關閉視窗

收穫：

  • 掌握 OpenCV 基本操作
  • 理解影像處理流程
  • 學習 Haar Cascade 人臉偵測

4. PersonGroup 訓練流程

挑戰：如何設計完整的訓練流程？

解決方案：

  1. 拍攝 3 張照片（OpenCV）
  2. 建立 PersonGroup（若不存在）
  3. 建立 Person（取得 personId）
  4. 上傳 3 張人臉圖片（Add Face）
  5. 執行訓練（Train）
  6. 查詢訓練狀態（Training Status）
  7. 等待訓練完成（succeeded）

收穫：

  • 理解 Azure Face API 訓練架構
  • 掌握非同步訓練流程
  • 學習狀態查詢與等待機制

5. 模組化類別設計

挑戰：如何組織程式碼避免單檔案過大？

解決方案：

  • 6 個核心類別獨立檔案
  • 主程式 ControlPanel.py 僅 8 行（呼叫 ClassWindow）
  • 類別職責分離：
    • ClassWindow：GUI 邏輯
    • ClassFacePI：API 呼叫
    • ClassOpenCV：攝影機擷取
    • ClassPerson/ClassPersonGroup：資料管理
    • ClassConfig：配置管理

收穫：

  • 掌握物件導向設計原則
  • 理解單一職責原則（SRP）
  • 學習模組化架構設計

專案亮點

技術創新

  • ✅ Azure Face API 完整整合（Detect + Identify + Train）
  • ✅ Tkinter 動畫文字效果
  • ✅ OpenCV 攝影機即時擷取
  • ✅ 模組化類別架構設計

教育價值

  • ✅ 雲端 AI 服務實戰應用
  • ✅ 桌面 GUI 開發完整流程
  • ✅ RESTful API 呼叫實務
  • ✅ 影像處理基礎入門

工程實務

  • ✅ 6 個核心類別模組化設計
  • ✅ JSON 配置檔管理
  • ✅ 錯誤處理與用戶回饋
  • ✅ 命令系統架構

學習成果

  • ✅ 深入理解人臉辨識技術原理
  • ✅ 掌握 Azure AI 服務使用
  • ✅ 學習 Tkinter GUI 開發
  • ✅ 實作完整的桌面應用程式
—— related

相關作品

Eternity - 我的個人網站
active · 2025

Eternity - 我的個人網站

U.E.P 個人虛擬桌面助理
active · 2024

U.E.P 個人虛擬桌面助理

Dystopia - LLM 驅動劇場式文字 RPG
active · 2026

Dystopia - LLM 驅動劇場式文字 RPG

← previous
LBN 大巨巢系統模擬