网络软文发布平台,seo的工作原理,怎么做外贸推广,wordpress 固定导航一、前言
由于还处于学习阶段#xff0c;大多数内容都是从网上学习借鉴的#xff0c;重复的内容就不多赘述#xff0c;只是将自己的经验和想法分享出来。感觉不错的学习资源如下
http://www.cnblogs.com/tornadomeet/archive/2012/03/28/2420936.html
http://www.cnblog…一、前言
由于还处于学习阶段大多数内容都是从网上学习借鉴的重复的内容就不多赘述只是将自己的经验和想法分享出来。感觉不错的学习资源如下
http://www.cnblogs.com/tornadomeet/archive/2012/03/28/2420936.html
http://www.cnblogs.com/wengzilin/p/3849118.html
http://blog.csdn.net/liulina603/article/details/8197889 二、目标检测概念
在实践前我先阅读了OpenCV中文网用户手册的相关内容对目标检测有了一个大体的概念。
链接http://wiki.opencv.org.cn/index.php/Cv模式识别 三、前期准备
1.准备用于人脸识别的正负样本
样本的选取上面链接的博客中说的都很清楚按要求选好样本的大小比例
需要注意的是。负样本的选取很有讲究并不是图片越复杂图片之间越不相干越好。如果识别有特定的应用场景则负样本中应尽量挑选具有这类特定场景的图片。当然我们的人脸识别并没有特定的场景尽量选中照相时经常出现的背景即可。另外可以考虑添加一些干扰项比如动物的脸。
下面是我使用的正负样本的下载地址正样本均标准化为24*24像素方便大家使用
http://download.csdn.net/detail/u011583927/8534763 2.生成正负样本的描述文件
按照上面链接中的教程一步一步来即可
以正样本为例先打开cmd
使用cd 命令将命令行的作用位置调到存放样本图像的文件夹下
输入dir /b pos_image.txt
正样本需要将生产的txt文件中数据格式化成固定格式负样本不需要 3.创建vec文件
命令opencv_createsamples.exe -vec pos.vec -info pos_image.txt -bg neg_image.txt -w 24 -h 24 -num 400 四、训练xml文件
命令opencv_haartraining.exe -data xml -vec pos.vec -bg neg_image.txt -nstages 20 -nsplits 2 -minhitrate 0.999 -maxfalsealarm 0.5 -npos 800 -nneg 2500 -w 24 -h 24 -mem 1024 -mode ALL
训练的参数进行了多次调整上面所示是我多次修改后最后选用的。训练过程可能出现多种多样的问题需要耐心的尝试修改自己的样本集。如果并没有达到设置的阶段数就停止迭代并没有发生错误只是负样本太少或者不够丰富。我的就是这种情况设置的20层只运行到了14层。这种情况不会自动生成想要的xml文件需要手动运行
文件夹转换为xml文件命令convert.exe --size24x24 xml haarcascade.xml
convert.exe是opencv自带的转换文件名字应该是convert_cascade。exe
xml是训练时生成的文件夹的名字
haarcascade.xml是想要生成的xml文件的名字
由于对于算法的理解还不深刻参数的选择只是在实践性的尝试。
获得的经验是影响训练的效果的最重要环节是样本的选择好坏
首先在你的精力和时间允许的情况下收集的样本越多越好。正样本好坏会决定人脸的漏识率负样本的好坏决定了误识率。
仔细分析我的样本可以看出正样本800个是直接下载的人脸包貌似外国人的人脸居多可能会影响我们的识别。负样本2500个数量较大。
根据我最后的测试结果和我们的分析是符合的。人脸的漏识率还是不太满意的但是误识率比较低。
训练了几个小时在第13层时停止迭代了应该是负样本 五、识别
识别代码如下只是简单调用了openCV提供的函数 #include cv.h
#include highgui.hCvHaarClassifierCascade* load_object_detector( const char* cascade_path )
{return (CvHaarClassifierCascade*)cvLoad( cascade_path );
}void detect_and_draw_objects( IplImage* image,CvHaarClassifierCascade* cascade,int do_pyramids )
{IplImage* small_image image;CvMemStorage* storage cvCreateMemStorage(0);CvSeq* faces;int i, scale 1;/* if the flag is specified, down-scale the 输入图像 to get a performance boost w/o loosing quality (perhaps) 如果标识do_puramids是指定的,把输入图像缩小比例来获得一个性能的提升 without 不稳定的质量*/if( do_pyramids ){small_image cvCreateImage( cvSize(image-width/2,image-height/2), IPL_DEPTH_8U, 3 );cvPyrDown( image, small_image, CV_GAUSSIAN_5x5 );/*功能函数cvPyrDown使用Gaussian金字塔分解对输入图像向下采样。格式void cvPyrDown(const CvArr*src,CvArr*dst,int filterCV_GAUSSIAN_5x5);参数src 输入图像。dst 输出图像其宽度和高度应是输入图像的一半。filter 卷积滤波器类型目前仅支持CV_GAUSSIAN_5x5。*/scale 2;}/* use the fastest variant *//*使用了最快速的检测方式*/faces cvHaarDetectObjects( small_image, cascade, storage, 1.1, 2, CV_HAAR_DO_CANNY_PRUNING );/* draw all the rectangles */for( i 0; i faces-total; i ){/* extract the rectanlges only *///CvRect face_rect *(CvRect*)cvGetSeqElem( faces, i, 0 );CvRect face_rect *(CvRect*)cvGetSeqElem( faces, i );cvRectangle( image, cvPoint(face_rect.x*scale,face_rect.y*scale),cvPoint((face_rect.xface_rect.width)*scale,(face_rect.yface_rect.height)*scale),CV_RGB(255,0,0), 3 );}if( small_image ! image )cvReleaseImage( small_image );cvReleaseMemStorage( storage );
}
// .exe testImageAddress 分类器地址xml
/* takes image filename and cascade path from the command line */
int main( int argc, char** argv )
{IplImage* image;if( argc3 (image cvLoadImage( argv[1], 1 )) ! 0 ){CvHaarClassifierCascade* cascade(CvHaarClassifierCascade*)cvLoad(argv[2]);//CvHaarClassifierCascade* cascade load_object_detector(argv[2]);detect_and_draw_objects( image, cascade, 1 );cvNamedWindow( test, 0 );cvShowImage( test, image );cvWaitKey(0);cvReleaseHaarClassifierCascade( cascade );cvReleaseImage( image );}return 0;
}
运行测试文件命令 可执行文件地址 图片地址 xml文件地址 C:\Users\Administrator\Desktop\lena\x64\Debug\lena.exe D:\数字图像处理\图像处理图片\标准测试图片\dollar.bmp C:\Users\Administrator\Desktop\haarcascade.xml
上传了几张程序运行结果 对于比较明显的人脸尤其是外国人。。。识别结果还是不错的
还用了一些生活中的照片识别效果一般这里就不上传了有一部分脸会漏识还会偶尔有误识别。下一步打算把具体的算法深入研究一下应该会有所突破
