机器人

Python-OpenCV —— 物体识别(TrainCasca

2018-06-09  本文已影响0人  IConquer

在上次教程Python-OpenCV —— Machine Learning讲述了如何建立模型,进行训练,然后利用模型对新获得的照片进行预测并给出预测值,本期教程针对某个特定的物体进行检测,将其标记出来,分为3个步骤,第一:训练特定物体,第二:

训练模型

级联分类器

前几天看到一个笑话,很有意思,说的是

开个玩笑,目前有很大一部分的东西都是人们实践得来的经验,有些东西也许很好用,但未必是好理论,比如现在的深度学习,扯远了,继续今天的话题,到底什么是级联分类器,其实就是把分类器按照一定的顺序联合到一起。一个分类器也许不好用,没关系,我给你多加几个,俗话说得好,三个臭皮匠,顶个诸葛亮呢。

具体来说,OpenCV实现的Cascade(级联)分类器就是基于多个弱分类器对不同的特征进行依次处理(分类)来完成对目标的检测,简单的说有多个弱分类器串起来,然后提取每个平滑窗上的不同特征,把这些特征依次放进不同的弱分类器里判断,如果所有的弱分类器都判断正标签,则表示该该平滑窗内检测到目标。这样做的好处是不但通过多个弱分类器来形成一个强的级联分类器,而且可以减少运算量,比如当一个平滑窗第一个特征没有通过第一个分类器,那么就没有必要继续运算下去,直接拒绝掉当前平滑窗,转而处理下一个平滑窗,事实上作者的目的就是为了快速抛弃没有目标的平滑窗,从而达到快速检测目标。

本次用到了OpenCV的两个程序,分别是opencv_createsamples.exeopencv_traincascade.exe,分别用来创建样本文件和训练级联分类器。

准备训练数据

正样本

正样本就是你要检测的东西,比如说香蕉、车牌、酒瓶、红绿灯等等,你可以找相关的数据集,或者自己手动截图,只取你想要识别的那部分,下面我给了一个小程序用来将你截取的图片都变成统一大小。

#改变图片尺寸为统一大小,在当前目录创建一个名为pos的文件夹
#把需要统一尺寸的正样本放到里面,写上尺寸,运行程序就可以了,一般来说建议长宽在100像素一下,不然训练会很慢
import cv2
import os

w = **
h = **

def getimage(file_dir):   
    images = {}
    for root, dirs, files in os.walk(file_dir):  
        for name in files:
            images[name] = os.path.join(root,name)
    return images

    
if __name__ == '__main__':
    n=-1
    aa = os.getcwd()
    dirpath = os.path.join(aa, 'pos')
    imagedic = getimage(dirpath)

    try :
        for key,value in imagedic.items():
            img = cv2.imread(value)
            img1 = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)             
            img2 = cv2.resize(img1,(w,h)) 
            cv2.imwrite('pos'+str(n+1).rjust(3,'0')+'.jpg',img2)
            n+=1
    except KeyboardInterrupt:
        print('暂停一下')

修改完图片尺寸之后,需要生成图片的路径,我也写了一个代码,运行后,会在当前目录生成一个如图所示的文件


pos.txt

每一行分别代表文件路径 1代表里面有几个目标,咱们用的截取好的,所以只有一个,然后 0 0 60 120 分别代表着图片的起始像素和终止像素的长宽

#会在当前目录生成一个如图所示的文件,记得修改 w h 为上面修改后的尺寸值
import os

def getimage(file_dir):   
    images = {}
    for root, dirs, files in os.walk(file_dir):  
        for name in files:
            images[name] = os.path.join(root,name)
    return images

    
if __name__ == '__main__':
    n=0
    aa = os.getcwd()
    dirpath = os.path.join(aa, 'pos')
    imagedic = getimage(dirpath)
    #print (imagedic)

    try :
        for key,value in imagedic.items():
            with open ('pos.txt','a') as f:
                f.write('pos/'+str(key).rjust(3,'0')+' 1 0 0 w h''\n')
    except KeyboardInterrupt:
        print('暂停一下')

接下来就要用opencv_createsamples.exe生成正样本文件了,写了一个批处理文件,新建crate_samples.bat,打开编辑

"在此处写上你的opencv_createsamples.exe路径"  -info "pos.txt" -vec pos.vec -num 200 -w 60 -h 120   

一些参数解释:

输入图像沿着三个轴进行旋转,旋转角度由上述3个值限定。

负样本

负样本只需要生成路径文件,不需要生成vec文件,具体步骤跟上面类似,要注意的是负样本要尽可能比正样本多,大概十倍的样子吧。

开始训练

新建一个文件夹TrainCascadeClassification,一会训练好的文件就在这里
新建一个train.bat,编辑

"你的opencv_traincascade.exe目录"  -data "你的TrainCascadeClassification目录" -vec pos.vec -bg neg.txt -numPos 160 -numNeg 500 -numStages 15 -precalcValBufSize  3000  -precalcIdxBufSize  3000 -featureType LBP  -w 60 -h 120 
Pause  

一些参数解释

进阶参数

这个时候先看一下我们的工作目录下都有那些东西,没有的话,记得补全它。


工作目录

然后打开train.bat,等着就可以了,训练结束后,会得到自己的xml文件,就可以调用了。

上一篇 下一篇

猜你喜欢

热点阅读