标签：识别器 基于 img cascade 样本 cv2 pos opencv

1 问题背景

生物识别技术被广泛用于政府、军队、银行、社会福利保障、电子商务、安全防务等领域。随着技术的进一步成熟和社会认同度的提高，包含在生物识别技术的人脸识别技术将应用在更多的领域，例如：
1、企业、住宅安全和管理。
2、电子护照及身份证。
3、公安、司法和刑侦。
4、自助服务。
5、信息安全。
在本次实验将完成以下内容：
1用opencv自带的Harr级联分类器进行人脸、人眼与微笑识别
2训练自己的级联分类器，训练过程参考自官网：https://docs.opencv.org/2.4/doc/user_guide/ug_traincascade.html

2 环境配置

2.1 安装opencv

activate tf2
pip install opencv-pytho

2.2 测试

安装成功后可在tf2(tensorflow2.0)环境下测试

3 人脸检测

可以看到opencv自带的识别模型如下：

3.1 静态图片检测

eg.py：

# 导入opencv-python
import cv2

# 读入一张图片，引号里为图片的路径，需要你自己手动设置
img = cv2.imread('dogs.jpg')

# 导入人脸级联分类器引擎，'.xml'文件里包含训练出来的人脸特征
face_engine = cv2.CascadeClassifier('dog_cascade.xml')
# 用人脸级联分类器引擎进行人脸识别，返回的faces为人脸坐标列表，1.3是放大比例，5是重复识别次数
faces = face_engine.detectMultiScale(img,scaleFactor=1.3,minNeighbors=5)

# 对每一张脸，进行如下操作
for (x,y,w,h) in faces:
    # 画出人脸框，蓝色（BGR色彩体系），画笔宽度为2
    img = cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)

# 在"img2"窗口中展示效果图
cv2.imshow('img2',img)
# 监听键盘上任何按键，如有按键即退出并关闭窗口，并将图片保存为output.jpg
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.imwrite('output.jpg',img)

测试输入：

测试输出：

3.2 动态摄像头检测

import cv2
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades+'haarcascade_frontalface_default.xml')
eye_cascade = cv2.CascadeClassifier(cv2.data.haarcascades+'haarcascade_eye.xml')
smile_cascade = cv2.CascadeClassifier(cv2.data.haarcascades+'haarcascade_smile.xml')
# 调用摄像头摄像头
cap = cv2.VideoCapture(0)
while(True):
    # 获取摄像头拍摄到的画面
    ret, frame = cap.read()
    faces = face_cascade.detectMultiScale(frame, 1.3, 2)
    img = frame
    for (x,y,w,h) in faces:
        img = cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)
        face_area = img[y:y+h, x:x+w]
        ## 人眼检测
        eyes = eye_cascade.detectMultiScale(face_area,1.3,10)
        for (ex,ey,ew,eh) in eyes:
            cv2.rectangle(face_area,(ex,ey),(ex+ew,ey+eh),(0,255,0),1)
        ## 微笑检测
        smiles = smile_cascade.detectMultiScale(face_area,scaleFactor= 1.16,minNeighbors=65,minSize=(25, 25),flags=cv2.CASCADE_SCALE_IMAGE)
        for (ex,ey,ew,eh) in smiles:
            cv2.rectangle(face_area,(ex,ey),(ex+ew,ey+eh),(0,0,255),1)
            cv2.putText(img,'Smile',(x,y-7), 3, 1.2, (0, 0, 255), 2, cv2.LINE_AA)
    # 实时展示效果画面
    cv2.imshow('frame2',img)
    # 每5毫秒监听一次键盘动作
    if cv2.waitKey(5) & 0xFF == ord('q'):
        break
cap.release()
cv2.destroyAllWindows()

检测结果：

4 创造自己的级联分类器——dog face detection

4.1 收集样本，处理样本

收集正、负样本

关于正样本的收集，我收集了100个正样本，照片是从百度和必应下载的。关于负样本，只要不含有正样本图片即可，这里采用猫和人脸、不含狗的场景等图片，收集了300张图片。
在rename_resize_images.py程序中对照片进行批处理：重命名、尺寸缩小。按照OpenCV官方建议正样本是20像素x20像素。
正样本：

尺寸缩小后的正样本：

负样本：

样本处理

负样本除了灰度以外不必调整，分辨率自由。
把正样本也就是有狗狗的图片放在了pos文件夹中，把消极图片放在neg文件夹中。
然后创建正负样本目录，格式如下：
< 绝对路径 1 0 0 w h > 其中w=20 h=20


使用时更改rootdir即可，即修改文件路径即可，文件路径为你的正样本保存的目录或者负样本保存的目录，以下为正样本pos.txt生成的程序：

#!/usr/bin env python
import os
rootdir = 'pos\\'
files = os.listdir(rootdir)
name = os.path.split(files[0])
with open(rootdir+'pos.txt','w+') as f:
    for file in files:
        name = os.path.split(file)
        if name[1]=='pos.txt':
            continue
        print file
        f.write("pos\\"+name[1]+' '+'1 0 0 20 20\n'

以下为生成负样本neg.txt的程序：

#!/usr/bin env python
import os
rootdir = 'neg\\'
files = os.listdir(rootdir)
name = os.path.split(files[0])
with open(rootdir+'neg.dat','w+') as f:
    for file in files:
        name = os.path.split(file)
        if name[1]=='neg.txt':
            continue
        print file
        f.write("neg\\"+name[1]+'\n')

生成正样本pos.dat 和neg.dat 后，将包含正样本的文件夹和负样本的文件夹以及pos.dat neg.dat 文件移动到opencv\build\x64\vc12\bin\ 目录。

4.2 创建向量

pop.txt 是上一步骤的正向量目录文件
num是其中的正样本数量，
w是宽h高
pos.vec是生成的正向量文件名

cd pos.txt所在目录
opencv_createsamples -info pos.txt -num 100 -w 20 -h 20 -vec pos.ve

4.3 训练分类器

opencv_createsamples各个参数的意义：
-data：指定保存训练结果的文件夹
-vec:指定正样本集
-bg:指定负样本的描述文件夹
-numPos：指定每一级参与训练的正样本的数目
-numNeg:指定每一级参与训练的负样本的数目（可大于负样本图片的总数）
-numStage:训练级数
-w:正样本宽
-h:正样本高

mkdir data
$ opencv_traincascade -data data -vec pos.vec -bg neg.txt -numPos 85 -numNeg 400 -numStage 15 -w 20 -h 20

等待运行结束，打开data就可以看见训练的分类器：

5 测试分类器

5.1 静态图片检测

对人脸识别的测试进行修改，替换模型为cascade.xml

import os
import cv2
# 测试图片
imgName = "dogs.jpg"
xmlFileName = "cascade.xml"
if not (os.path.exists(imgName) and os.path.exists(xmlFileName)):
    print("图片或检测器文件不存在")
# 测试训练的检测器是否可用
windowName = "object detect"
img = cv2.imread(imgName)
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
cascade = cv2.CascadeClassifier(xmlFileName)

rects = cascade.detectMultiScale(gray)
if len(rects) > 0:
    print('========================检测到%d个目标===============================' % (len(rects)))
else:
    print('没检测到东西')

for x, y, width, height in rects:
    cv2.rectangle(img, (x, y), (x + width, y + height),(0, 255, 0),2)

# 在"img2"窗口中展示效果图
cv2.imshow('img2',img)
# 监听键盘上任何按键，如有按键即退出并关闭窗口，并将图片保存为output.jpg
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.imwrite('output.jpg',img

测试图像：

测试结果：

5.2 动态摄像头检测

import cv2
face_cascade = cv2.CascadeClassifier('cascade.xml')
# 调用摄像头摄像头
cap = cv2.VideoCapture(0)
while(True):
    # 获取摄像头拍摄到的画面
    ret, frame = cap.read()
    faces = face_cascade.detectMultiScale(frame, 1.3, 5)
    img = frame
    for (x,y,w,h) in faces:
        img = cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)     
    # 实时展示效果画面
    cv2.imshow('frame2',img)
    # 每5毫秒监听一次键盘动作
    if cv2.waitKey(5) & 0xFF == ord('q'):
        break
# 最后，关闭所有窗口
cap.release()
cv2.destroyAllWindows()

测试结果：

6 出现问题及解决

过程中有出现识别不到的情况，需要调整

中的1.3（比例因子）

7 实验总结

通过本次实验，测试了opencv的人脸检测相关模型，并创建了自己的简单的狗脸检测的模型，从环境搭建、版本兼容性、模型搭建等问题上遇到的很多bug，但是最终得到解决。
本次实验得到的模型仅为狗狗的脸的检测，而不是辩识，即只能框出脸的位置，无法判断狗的名字，品种等信息。

标签：识别器,基于,img,cascade,样本,cv2,pos,opencv
来源： https://blog.csdn.net/qq_43731778/article/details/118514630

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。