Smart-CCTV-Using-Face-and-Human-Detection

KO | EN

gitlite — search

#python #java #python3 #arduino #golang #machine-learning #rust #html #flask #javascript #seismology #nodejs

Smart-CCTV-Using-Face-and-Human-Detection

★ 13 Open GitHub ↗

No description available.

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

# Deteksi Kejadian Tak Diinginkan Menggunakan CCTV

## Overview
CCTV sering digunakan untuk mengawasi ruangan baik terbuka atau tertutup dari kejadian yang tidak diinginkan seperti pencurian atau barang tertinggal. Namun, kerap kali kejadian yang tak diinginkan tersebut hanya terekam oleh CCTV dan sulit untuk ditindak lanjut. Kami menggunakan algortima pendeteksi identitas manusia untuk memperingatkan penjaga keamanan apabila terjadi kejadian tak diinginkan yang terekam oleh CCTV.

Algoritma dibuat menggunakan python. Jadi, segala penjelasan terkait modul yang diperlukan, kode yang diupload dan hal-hal lain terkait penggunaan algoritma yang kami buat disajikan dalam format yang digunakan python.

## Dependencies
untuk dapat menjalankan seluruh algoritma yang kami buat, terdapat beberapa modul yang harus diinstall di python anda terlebih dahulu, yaitu :
* OpenCV
(note : Harap menginstall modul opencv-contrib-python dikarenakan modul ini memuat modul utama sekaligus modul contrib yang bakal diperlukan selama proses pengerjaan)
* numpy
* imutils
* playsound
* time

Selain itu, dalam pengerjaan dan pengetesan kami menggunakan ***PyCharm Community Version*** dan juga ***Python Development Software*** sebagai IDE-nya. Anda dapat mendownload PyCharm secara gratis [di sini](https://www.jetbrains.com/pycharm/) dan Python Software [disini](https://www.python.org/downloads/). Apabila anda menggunakan IDE lain, harap diperhatikan bagaimana IDE tersebut bekerja. Karena bisa saja ada sedikit perbedaan dengan penjelasan yang kami berikan nantinya terkait menjalankan program

## General Idea
Untuk memahami bagaimana algoritma bekerja, mari kita definisikan kejadian tak diinginkan terlebih dahulu. Kami mendefinisikan kejadian tak diinginkan sebagai adanya orang tak dikenal saja pada CCTV yang terekam selama waktu tertentu. Ada 3 poin utama, yaitu :

1. Hanya terdapat orang tak dikenal
2. Orang tak dikenal terlihat oleh CCTV
3. Orang tak dikenal terekam selama waktu tertentu

dari ketiga poin tersebut, maka kami membuat sebuah algoritma yang mampu :

1. Mengetahui identitas orang melalui wajah yang terekam
2. Mendeteksi orang tersebut
3. Menentukan apakah orang tersebut terekam selama durasi waktu tertentu

## Deteksi dan pengenalan Wajah Menggunakan HaarCascade
Untuk mendeteksi wajah menggunaakan kamera, kami menggunakan algoritma Viola Jones. Prosedur deteksi wajah Viola-Jones mengklasifikasikan gambar berdasarkan pada nilai fitur sederhana. Sehingga metode algoritma Viola Jones merupakan salah satu metode deteksi wajah dengan tingkat akurasi yang tinggi dan komputasi yang cepat. Algoritma Viola Jones menggunakan fitur Haar sebagai deskriptor kemudian menggabungkan Integral Image dan AdaBoost Classifier untuk mencari dan melakukan seleksi nilai fitur dan membentuk Cascade Classifier. Classifier tersebut yang akan digunakan untuk mendeteksi wajah pada gambar. Jika tertarik untuk membaca lebih mendalam mengenai Algoritma Viola Jones dapat mengakses [di sini](https://www.superdatascience.com/blogs/opencv-face-recognition) atau untuk yang berbasis project bisa diakses [disini](https://towardsdatascience.com/the-intuition-behind-facial-detection-the-viola-jones-algorithm-29d9106b6999#:~:text=The%20Viola%2DJones%20algorithm%20first,which%20will%20be%20explained%20later.)

Untuk mendeteksi wajah, digunakan fungsi ***cv2.cascadeClassifier*** yang berfungsi untuk menetapkan objek yang ingin di deteksi berdasarkan pilihan classifier yang kita gunakan, anda bisa mendownload beberapa classifier yang telah disediakan oleh openCV [disini](https://github.com/opencv/opencv/tree/master/data/haarcascades). Anda bisa membuat classifier sendiri apabila ingin membuat dan melatih classifier untuk objek lainnya anda bisa mengaksesnya [disini](https://docs.opencv.org/3.3.0/dc/d88/tutorial_traincascade.html) dan fungsi lainnya yaitu ***cascadeClassifier.detectMultiscale*** dengan beberapa parameter yang dapat diubah apabila menginginkan hasil yang berbeda dari hasil yang kami dapatkan. Untuk memahami lebih lanjut mengenai fungsi ini bisa diakses [disini](https://docs.opencv.org/2.4/modules/objdetect/doc/cascade_classification.html#cascadeclassifier-detectmultiscale).

Berikut ini contoh deteksi wajah manusia yang kami lakukan

Untuk mengenali wajah, kami menggunakan sistem training terhadap classifier dengan menggunakan data training. Lalu hasil training akan dijadikan untuk penentu identitas wajah yang dideteksi dengan menggunakan fungsi ***faceRecognizer.predict*** yang merupakan fungsi bawaan dari openCV untuk mendeteksi kemiripan gambar dengan array input. Untuk memahami lebih dalam terkait fungsi ini bisa diakses [disini](https://docs.opencv.org/2.4/modules/contrib/doc/facerec/facerec_api.html#facerecognizer-predict).

Berikut ini contoh pengenalan id wajah manusia yang kami lakukan

Untuk uji coba bisa dilakukan dengan melakukan run pada code yang disediakan. Harap disesuaikan beberapa nama folder, directory dan parameter sesuai yang digunakan.

## Deteksi Manusia Menggunakan HOG-SVM
Untuk mendeteksi keberadaan manusia yang terekam kamera, kami menggunakan algoritma HOG-SVM. HOG(Histogram Oriented Gradients) merupakan fitur yang kami ekstraksi untuk membedakan mana manusia dan mana yang bukan. Jika anda tertarik lebih dalam mengenai HOG, anda dapat membacanya [di sini](https://www.analyticsvidhya.com/blog/2019/09/feature-engineering-images-introduction-hog-feature-descriptor/). Kami menggunakan fungsi bawaan dari openCV untuk mengekstraksi fitur HOG, yang kemudian diklasifikasi oleh SVM.

SVM (Support Vector Machine) merupakan salah satu metode supervised machine learning. Metode ini sering dipakai untuk klasifikasi dua jenis benda. Sehingga cocok untuk tujuan kami yaitu mendeteksi manusia yang ada di rekaman CCTV. Apabila anda tertarik lebih jauh, anda dapar mempelajarinya [di sini](https://scikit-learn.org/stable/modules/svm.html). Sama seperti HOG, kami mneggunakan fungsi yang ada dalam openCV untuk melakukan klasifikasi menggunakan SVM.

Berikut ini contoh deteksi manusia yang kami lakukan

Anda dapat melakukan deteksi manusia saja menggunakan Human_Recog.py. Parameter-parameter yang kami gunakan bertujuan untuk mendeteksi manusia dalam ruangan. Bila anda menginginkan deteksi di tempat lain atau merasa hasilnya kurang akurat, kami sarankan anda mengubah parameter fungsi ***hog.DetectMultiscale()***. Penjelasan setiap parameter yang ada dalam fungsi tersebut dapat anda baca [di sini](https://www.pyimagesearch.com/2015/11/16/hog-detectmultiscale-parameters-explained/)

Selebihnya, anda hanya tinggal me-run saja kodenya. Jangan lupa untuk mengganti nama dan directory video dengan nama dan directory video yang anda ingin gunakan.

## Durasi dan Alarm
Untuk menentukan durasi deteksi, kami memanfaatkan fungsi ***hog.DetectMultiScale()***. Fungsi tersebut mengembalikan lokasi manusia berbentuk koordinat. Sehingga dapat dijadikan acuan apakah dalam video terdeteksi manusia atau tidak. Durasi dapat dihitung dengan menggunakan array timestamp berisi tiga nilai, waktu pertama terdeteksi, waktu terakhir terdeteksi dan status. Kira-kira array akan terlihat seperti berikut.

```
timestamp [waktu awal,waktu akhir, durasi, status]
```
varaiabel status digunakan untuk menentukan apakah deteksi awal sudah dilakukan. Pada kode yang kami buat, nilai diset False ketika deteksi pertama belum dilakukan. Sehingga timestamp waktu awal akan diupdate. Kemudian status berubah menjadi True apabila deteksi pertama sudah dilakukan. Sehingga waktu akhir bisa diambil dan durasi bisa dihitung. Apabila durasi melebihi threshold, maka alarm akan menyala menggunakan fungsi ***playsound()***. Anda bisa menggunakan suara alarm yang anda suka. Anda dapat melakukan pengetesan deteksi manusia sekaligus durasi dan alarm menggunakan HumanRecAndAlarm.py.

## Penggunaan kode program

### Face Recognition
Beberapa hal yang perlu diperhatikan sebelum menggunakan program Face Recognition adalah sebagai berikut :

#### Video Input
Dalam program terdapat fungsi untuk input gambar ataupun video pada line berikut
```
test_img = cv2.imread('FileName.jpg') #untuk input berupa gambar
```
dan
```
cap = cv2.VideoCapture('FileName.mp4') #untuk input berupa video
```
Anda dapat menggunakan nama file dan directory yang anda inginkan, misalnya
```
test_img=cv2.VideoCapture('D:\Test\FileName.mp4')
```
atau, anda juga dapat menggunakan stream online melalui rtsp atau sejenisnya, misalnya
```
cap = cv2.VideoCapture('rtsp://root:pass@192.168.0.91:554/axis-media/media.amp')
```
dan
```
cap = cv2.VideoCapture('https://www.dropbox.com/s/39f9fo9ch4gqoig/sample_video.mp4')
```
Namun, untuk penggunaan stream online perlu diperhatikan beberapa hal yaitu versi openCV haruslah pada versi 3.4.1. Sehingga anda perlu melalukan beberapa update terhadap openCV yang anda gunakan.

#### Fungsi .detectMultiscale dan .predict
1. Fungsi ***.detectMultiscale*** merupakan fungsi bawaan openCV untuk mendeteksi objek yag ditetapkan classifier disini adalah wajah dan mengembalikan output berupa kotak pada objek yang teridentifikasi sebagai wajah yang untuk penggunaan Haarscasde Classifier maka dituliskan dalam program sebagai berikut
```
faces=face_haar_cascade.detectMultiScale(gray_img,scaleFactor=1.35,minNeighbors=5)
```
Terdapat 2 parameter utama pada fungsi ini yaitu scaleFactor dan minNeighbors. Untuk lebih lengkapnya bisa dilihat pada penjelasan fungsi ***.detectMultiscale*** dibagian atas. Untuk menggambarkan kotak kami menggunakan implementasi fungsi sebagai berikut
```
cv2.rectangle(test_img,(x,y),(x+w,y+h),(0,0,255),thickness=4)
```
dengan 2 parameter yang terdapat pada fungsi adalah warna kotak dan ketebalan garis tepi kotak yang dapat anda tukar sesuai keinginan.

2. Fungsi ***.predict*** merupakan fungsi bawaan dari openCV yang merupakan bagian dari kelas fungsi ***faceRecognizer***, dengan input berupa gambar atau frame video dan fungsi akan memberikan prediksi kemiripan terdekat dari gambar input dengan array data yang disediakan lalu akan diberikan output berupa nilai confidence atau nilai kemiripan gambar. Implementasinya pada program adalah sebagai berikut
```
label,confidence=face_recognizer.predict(roi_gray)
```
Parameter yang mempengaruhi hasil prediksi adalah data training yang telah kita latih sebelumnya. Semakin bagus kualitas dan kuantitas data training maka hasil prediksi akan semakin baik. Jadi harap anda memastikan data training yang anda gunakan adalah data yang cukup bagus.
Lalu untuk penulisan ID wajah digunakan implementasi pada program sebagai berikut
```
cv2.putText(test_img,text,(x,y),cv2.FONT_HERSHEY_SIMPLEX,1,(0,0,255),2)
```
Parameter yang digunakan pada implementasi diatas adalah jenis font, font scale, warna font dan ketebalan font. Parameter ini bisa ditukar sesuai keinginan anda.

#### Training Data untuk ID wajah
Untuk mengenali wajah pada program, kita memerlukan data yang menjadi acuan dalam pengenalan wajah seseorang, dari data ini kita bisa memberikan identitas atau ID kepada wajah pada gambar apabila program memprediksi wajah pada gambar memiliki kecocokan dan kemiripan terhadap data wajah yang kita gunakan. Untuk mendapatkan data wajah ini, kita perlu melatih sistem untuk mempelajari gambar yang akan kita jadikan acuan.

Untuk melakukan training atau latihan terhadap sistem dapat anda lakukan dengan fungsi bawaan dari openCV yang merupakan bagian dari kelas fungsi ***faceRecognizer*** yaitu fungsi ***.train***, dengan implementasi pada program sebagai berikut
```
face_recognizer.train(faces,np.array(faceID))
```
Parameter yang perlu diperhatikan sebagai inputan adalah gambar yang ingin dipelajari, dengan output nantinya berupa array data dan label. Nantinya, data ID wajah akan disimpan di file ***trainingData.yml***, apabila file masih kosong maka harap dilaksanakan training terlebih dahulu, namun jika sudah berisi anda bisa langsung menggunakan data dengan cara load data di file tersebut.

#### File program
Face Recognition menggunakan 3 program Python, yaitu 
1. faceRecognition.py yang berisi kumpulan fungsi untuk pengenalan wajah diantaranya fungsi untuk training, fungsi untuk memberi kotak pada wajah dan menulis id
2. forImage.py untuk mencoba program mengenali wajah pada foto atau gambar
3. forVideo.py untuk mencoba program mengenali wajah pada video

#### Cara menggunakan program
Untuk bisa menggunakan program anda perlu memperhatikan langkah berikut :
1. Silahkan download program untuk face recognition di folder ***faceRecognition***, anda akan menemukan 3 buah file Python seperti yang telah dijelaskan diatas.
2. Letakkan gambar yang akan anda uji di folder ***testImages***.
3. Pada folder ***trainingImages***, terdapat gambar yang akan dijadikan data training untuk melatih classifier mengenali beberapa orang yang diinginkan. Apabila ingin menambahkan jumlah orang yang dikenali bisa menambah folder dengan nama folder yang berbeda dari folder lainnya. (Bisa berupa angka seperti 0,1 dan 2)
4. Tambahkan id atau label mereka pada file ***forImage.py*** dan ***forVideo.py***, contohnya seperti implementasi dibawah
```
name={0:"Taylor",1:"Ronaldo",2:"Faruq",3:"Fadhil",4:"Unknown"}
```
5. Buka file faceRecognition.py dan sesuaikan parameter fungsi ***.detectMultiscale*** sesuai kebutuhan anda dalam mendeteksi wajah.
6. Untuk menggunakan program untuk deteksi wajah pada gambar bisa menggunakan program ***forImage.py***, dengan memberikan path gambar pada variabel test_img.
7. Untuk menggunakan program untuk deteksi wajah pada gambar bisa menggunakan program ***forVideo.py***, dengan memberikan path gambar pada variabel cap.
8. Sesuaikan confidence dengan hasil prediksi sistem untuk menampilkan id dari wajah yang diprediksi oleh sistem.

### Human Detection
Terdapat 2 porgram yang dapat anda gunakan, yaitu :
1. Human_Recog.py
Program ini berisi algoritma deteksi manusia saja
2. HumanRecAndAlarm.py
Program ini berisi algoritma deteksi,durasi serta alarm

Beberapa hal yang perlu diperhatikan sebelum menggunakan program human detection (Human_Recognition.py dan HumanRecAndAlarm.py) adalah sebagai berikut :

#### Video Input dan Output
dalam program yang dibuat, inisiallisasi video input terdapat pada line berikut
```
cap = cv2.VideoCapture('FileName.mp4')
```
anda dapat menggunakan nama file dan direktori yang anda inginkan, misalnya
```
cap = cv2.VideoCapture('D:\Video\FileName.mp4')
```
atau, anda juga dapat menggunakan stream online melalui rtsp atau sejenisnya, misalnya
```
cap = cv2.VideoCapture('rtsp://root:pass@192.168.0.91:554/axis-media/media.amp')
```
Namun, perlu diperhatikan bahwa penggunaan url rtsp pada openCV dapat dilakukan pada versi 3.4.1. Apabila anda tidak memilikinya, anda perlu menginstall versi terbarunya atau menggunakan cara lain yang tersebar di internet.

Untuk video output, terdapat pada line berikut
```
out = cv2.VideoWriter('outputfilename.avi',cv2.VideoWriter_fourcc(*'MJPG'),fps,(640,480))
```
Kami tidak menyarankan anda mengubah parameter tersebut, kecuali nama outputfilename. apabila anda ingin mengubahnya, tolong dicari terlebih dahulu format videowriternya. Sama seperti video input, anda dapat mengganti nama video output dengan nama dan direktori yang diinginkan serta menggunakan video stream seperti rtsp.

#### Fungsi hog.DetectMultiScale dan Bounding Box
Fungsi ***hog.DetectMultiScale*** mengembalikan lokasi manusia yang terdeteksi dalam bentuk koordinat. Dalam program, penggunaannya adalah sebagai berikut
```
(regions, _) = hog.detectMultiScale(frame, winStride=(4,4),padding=(4,4),scale=1.2)
```
Harap diingat, parameter yang digunakan dioptimalkan untuk penggunaan dalam ruangan. Apabila anda ingin menggunakannya di tempat yang berbeda, atau kurang puas dengan hasil akhir yang kami buat, anda dapat mengubah parameter sesuai yang diinginkan. Namun, jangan lupa untuk membaca arti dari parameter dalam fungsi tersebut [di sini](https://www.pyimagesearch.com/2015/11/16/hog-detectmultiscale-parameters-explained/)

Sebelum membuat kotak pembatas, kami menggunakan non-maximum suppression untuk menghindari overlap kotak yang memiliki objek deteksi yang sama.

Gambar di atas merupakan salah satu contoh penggunaan non-maximum suppression. Implementasi dalam program adalah sebagai berikut
```
regions = np.array([[x, y, x + w, y + h] for (x, y, w, h) in regions])
pick = non_max_suppression(regions, probs=None, overlapThresh=0.65)
```
Anda dapat membaca non-maximum suppression lebih jauh [di sini](https://www.pyimagesearch.com/2014/11/17/non-maximum-suppression-object-detection-python/)
Setelah melakukan non-maximum suppression, barulah kami menggambar kotak pembatasnya. Implementasinya adalah sebagai berikut
```
 for (xA, yA, xB, yB) in pick:
      cv2.rectangle(frame, (xA, yA), (xB, yB), (0, 255, 0), 2)
```
Dua parameter terakhir merupakan warna kotak dan ketebalan garis kotak. Anda dapat menggantinya sesuka hati.
#### Durasi
Untuk menentukan durasi deteksi, kami memanfaatkan keluaran fungsi ***hog.DetectMultiScale*** berupa koordinat manusia yang terdeteksi. Apabila koordinat tersebut tidak kosong, maka artinya ada manusia yang terdeteksi. Sebaliknya, apabila kosong, maka manusia tidak terdeteksi dalam video. Implementasinya adalah sebagai berikut

```
        if len(regions) == 0:
            print('Human Not Detected')

else:
            print('Human Detected')
            if tsd[3] == False:
                # Pertama kali deteksi, waktu awal diambil
                tsd[0] = time.time()
                tsd[3] = True
            elif tsd[3] == True:
                # Sudah pernah deteksi, waktu akhir diambil
                tsd[1] = time.time()
            tsd[2] = tsd[1] - tsd[0]
            print("Waktu terdeteksi : ")
            print(tsd, '\n')
```
dengan tsd merupakan variabel timestamp. Perlu diperhatikan bahwa elemen ke-4 dari tsd merupakan status yang menunjukkan apakah objek yang dideteksi baru pertama kali dideteksi atau tidak. Pengambilan waktu dan durasi diambil dalam satua ***detik***.

#### Alarm
Alarm akan menyala ketika durasi melebihi threshold yang ditentukan. Contoh implementasi dalam program adalah sebagai berikut
```
# Menyalakan Alarm bila durasi deteksi melebihi threshold
        if (tsd[2] >= 10):
            print("Alarm Triggerred!!!")
            playsound("Industrial Alarm.wav")
            break
```
Pada contoh, alarm akan menyala apabila durasi melebihi 10 detik. Kemudian keluar program setelah menyalakan alarm. Anda dapat mengubah suara alarm sesuai keinginan anda dengan mengubah input dari fungsi ***playsound()***.

## Full Program
Pada bagian ini, kami akan menjelaskan bagaimana anda menggunakan program hasil integrasi antara deteksi wajah dan deteksi manusia untuk mendeteksi tindak pencurian dalam ruangan. Source code yang anda gunakan seluruhnya terdapat pada folder FullProgram pada repo ini.
Sebelum mencobanya, anda disarankan untuk membuat dataset dan men-train classifier deteksi wajah anda terlebih dahulu. Karena yang diupload hanyalah contoh saja. Dalam folder source code, terdapat beberapa file, yakni

#### forVideo.py
file ini berisi program utama yang digunakan untuk deteksi tindak pencurian dalam ruangan.

#### HumanDetection.py
file ini berisi fungsi-fungsi yang digunakan dalam deteksi manusia. Nantinya akan dipanggil oleh program utama

#### faceRecognition.py
file ini berisi fungsi-fungsi yang digunakan dalam deteksi wajah sekaligus untuk train classifier yang digunakan untuk identifikasi wajah

#### Industrial Alarm.wav
file ini merupakan suara yang diputar ketika alarm menyala. Anda dapat mengubahnya sesuai selera. Cara mengubah suara alarm sudah dijelaskan sebelumnya

Untuk menjelaskan bagaimana keseluruhan program bekerja, anda dapat melihat flowchart berikut

Dari diagram di atas, bagian Face Detection, Human Detection dan Duration sudah dijelaskan di bagian sebelumnya. Kami akan menjelaskan terkait Room Status dan IsEmpty

### Room Status
Room Status merupakan variabel yang mendeskripsikan keadaan ruangan yang sedang dipantau. Pada program yang kami buat, nilai yang digunakan adalah
* 0 : ruangan kosong
* 1 : ruangan ditempati orang tak dikenali sistem
* 3 : ruangan ditempati orang yang dikenali sistem

fungsi adanya variabel ini adalah untuk memberikan keputusan akhir dalam menyalakan alarm. Alarm hanya akan menyala ketika orang tak dikenali sistem masuk (Room Status = 1) dan durasi deteksi melebihi threshold

### IsEmpty
Merujuk pada flowchart, IseEmpty digunakan saat Room Status = 2, atau orang yang ada di dalam ruangan dikenali oleh sistem. Fungsi IsEmpty berguna untuk mengembalikan Room Status menjadi 0 dengan memanfaatkan deteksi manusia dan durasi.
Idenya adalah pada ruangan kosong, seharusnya tidak terdeteksi manusia sama sekali. Apabila sistem tidak mendeteksi manusia dalam jangka waktu tertentu, maka ruangan dapat dikatakan sudah kosong. Sehingga Room Status dapat diganti menjadi 0 kembali dan sistem kembali ke state awal. implementasi pada program adalah sebagai berikut

```
        if status == 2 :
            tsu =[0,0,0,False] #reset
            regions = hd.detect(hog, resized_img, (4,4), (4, 4), 1.2)
            hd.boxes(resized_img, regions)
            if len(regions) == 0:
                print('Human Not Detected')
                if tsk[3] == False:
                    tsk[0] = time.time()
                    tsk[3] = True
                elif tsk[3] == True:
                    tsk[1] = time.time()
                    tsk[2] = tsk[1] - tsk[0]

if status == 2:
            print("Waktu tidak terdeteksi : ")
            print(tsk, '\n')
            if tsk[2] >= 2:  # misal tidak terdeteksi (kosong) selama 5 detik
                print("Reset Status menjadi 0")
                status = 0  # ubah status jadi empty
```
Jadi, ketika fungsi deteksi manusia tidak mengembalikan lokasi keberadaan manusia, bisa diasumsikan tidak ada manusia dalam ruangan. Lalu durasi "tak terdeteksi" dihitung. apabila durasi mencapai threshold (dalam contoh diatur menjadi 5 detik) maka Room Status dikembalikan menjadi 0

### Menggunakan Full Program
Untuk mencoba sistem yang sudah terintegrasi, anda hanya perlu melakkukan :

1. Download semua file di folder FullProgram/Source Code
2. Train classifier wajah anda menggunakan dataset anda
3. Gunakan forVideo.py sebagai main program. Atur parameter yang anda inginkan
4. Jalankan program di IDE yang anda gunakan

Selesai. Selamat mencoba!

Smart-CCTV-Using-Face-and-Human-Detection

Explore Similar Repositories

Was this content helpful?

Recent Feedback

Download README