Vous êtes sur la page 1sur 4

import cv2 as cv ----- import cv2 sebagai cv

wajah=cv.CascadeClassifier('haarcascade_frontalface_default.xml') ----- mendeteksi wajah sebagai


obyek menggunakan metode haarcascade
img=cv.imread('gambar/12.jpeg') --- memuat gambar/12.jpeg
img_gray=cv.cvtColor(img,cv.COLOR_BGR2GRAY) --- merubah warna gambar dari RGB menjadi warna
abu-abu

deteksi_wajah=wajah.detectMultiScale(img_gray,1.1,5) --- mendeteksi wajah pada gambar, lalu


mengubah posisi ke titik koordinat
font=cv.FONT_HERSHEY_SIMPLEX --- setting menjadi normal size sans-serif font
jumlah=0

for(x,y,w,h) in deteksi_wajah: Membuat perulangan


jumlah=jumlah+1 koordinat yang akan
ditentukan atau
cv.putText(img,"Wajah",(x,y-10),font,0.75,(0,0,255),2,cv.LINE_AA) dihasilkan image wajah
cv.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2) pada deteksi_wajah

roi_gray=img_gray[y:y+h,x:x+w]
roi_color=img[y:y+h,x:x+w]

cv.putText(img,"Jumlah wajah ada : "+str(jumlah)+ " buah",(10,30),font,1,(0,0,0),2,cv.LINE_AA) --- merender


string teks yang ditentukan dalam gambar (img,"Jumlah wajah ada : "+str(jumlah)+ "
buah",(10,30),font,1,(0,0,0),2,cv.LINE_AA

cv.imshow('img',img) —untuk memperbaharui konten gambar('img',img)


cv.waitKey(0) ----- untuk mengunci proses ketika 0
cv.destroyAllWindows() --- Fungsi destroyAllWindows menghancurkan semua jendela HighGUI yang
dibuka
1 = import cv2 sebagai cv
2 = mendeteksi wajah sebagai obyek menggunakan metode haarcascade

3= memuat gambar/12.jpeg
4= merubah warna gambar dari RGB menjadi warna abu-abu
5= mendeteksi wajah pada gambar, lalu mengubah posisi ke titik koordinat
6= setting menjadi normal size sans-serif font
8 = ini adalah cara untuk mendeteksi wajah pada gambar lalu mengubahnya ketitik koordinat yang
ditentukan.
9 = merender string teks yang ditentukan dalam gambar (img,"Jumlah wajah ada : "+str(jumlah)+ "
buah",(10,30),font,1,(0,0,0),2,cv.LINE_AA
10 = untuk memperbaharui konten gambar('img',img)
11= untuk mengunci proses ketika 0
12 = Fungsi destroyAllWindows menghancurkan semua jendela HighGUI yang dibuka
Selanjutnya membuat kelas LoadModel untuk memproses model dan memanggil fungsi detection yang
nantinya akan diproses pada input path input image dan output image path yang sebagai hasilnya.
Selanjutnya fungsi for tersebut yaitu mengulangi semua hasil yang di return oleh fungsi
detektor.detectObjectsFromImage pada baris pertama lalu mencetak nama dan presentasi probabilitas
model yang dihasilkan pada setiap objek yang telah terdeteksi pada gambar. Jadi hasilnya akan
mencetak gambar yang sudah ada nama modelnya dan presentasi probabilitas yang dihasilkannya.