【原】训练自己的haar-like特征分类器并识别物体(3)
2014-07-21 18:16
344 查看
在前两篇文章中,我介绍了《训练自己的haar-like特征分类器并识别物体》的前三个步骤:
1.准备训练样本图片,包括正例及反例样本
2.生成样本描述文件
3.训练样本
4.目标识别
==============
本文将着重说明最后一个阶段——目标识别,也即利用前面训练出来的分类器文件(.xml文件)对图片中的物体进行识别,并在图中框出在该物体。由于逻辑比较简单,这里直接上代码:
detect_and_draw
===================================
其实上面的代码可以运用于大部分模式识别问题,无论是自己生成的xml文件还是opencv自带的xml文件。在opencv的工程目录opencv\data文件夹下有大量的xml文件,这些都是opencv开源项目中的程序员们自己训练出来的。然而,效果一般不会合你预期,所以才有了本系列文章。天下没有免费的午餐,想要获得更高的查准率与查全率,不付出点努力是不行的!
1.准备训练样本图片,包括正例及反例样本
2.生成样本描述文件
3.训练样本
4.目标识别
==============
本文将着重说明最后一个阶段——目标识别,也即利用前面训练出来的分类器文件(.xml文件)对图片中的物体进行识别,并在图中框出在该物体。由于逻辑比较简单,这里直接上代码:
int _tmain(int argc, _TCHAR* argv[]) { char *cascade_name = CASCADE_HEAD_MY; //上文最终生成的xml文件命名为"CASCADE_HEAD_MY.xml" cascade = (CvHaarClassifierCascade*)cvLoad( cascade_name, 0, 0, 0 ); //加载xml文件 if( !cascade ) { fprintf( stderr, "ERROR: Could not load classifier cascade\n" ); system("pause"); return -1; } storage = cvCreateMemStorage(0); cvNamedWindow( "face", 1 ); const char* filename = "(12).bmp"; IplImage* image = cvLoadImage( filename, 1 ); if( image ) { detect_and_draw( image ); //函数见下方 cvWaitKey(0); cvReleaseImage( &image ); } cvDestroyWindow("result"); return 0; }
void detect_and_draw(IplImage* img ) { double scale=1.2; static CvScalar colors[] = { {{0,0,255}},{{0,128,255}},{{0,255,255}},{{0,255,0}}, {{255,128,0}},{{255,255,0}},{{255,0,0}},{{255,0,255}} };//Just some pretty colors to draw with //Image Preparation // IplImage* gray = cvCreateImage(cvSize(img->width,img->height),8,1); IplImage* small_img=cvCreateImage(cvSize(cvRound(img->width/scale),cvRound(img->height/scale)),8,1); cvCvtColor(img,gray, CV_BGR2GRAY); cvResize(gray, small_img, CV_INTER_LINEAR); cvEqualizeHist(small_img,small_img); //直方图均衡 //Detect objects if any // cvClearMemStorage(storage); double t = (double)cvGetTickCount(); CvSeq* objects = cvHaarDetectObjects(small_img, cascade, storage, 1.1, 2, 0/*CV_HAAR_DO_CANNY_PRUNING*/, cvSize(30,30)); t = (double)cvGetTickCount() - t; printf( "detection time = %gms\n", t/((double)cvGetTickFrequency()*1000.) ); //Loop through found objects and draw boxes around them for(int i=0;i<(objects? objects->total:0);++i) { CvRect* r=(CvRect*)cvGetSeqElem(objects,i); cvRectangle(img, cvPoint(r->x*scale,r->y*scale), cvPoint((r->x+r->width)*scale,(r->y+r->height)*scale), colors[i%8]); } for( int i = 0; i < (objects? objects->total : 0); i++ ) { CvRect* r = (CvRect*)cvGetSeqElem( objects, i ); CvPoint center; int radius; center.x = cvRound((r->x + r->width*0.5)*scale); center.y = cvRound((r->y + r->height*0.5)*scale); radius = cvRound((r->width + r->height)*0.25*scale); cvCircle( img, center, radius, colors[i%8], 3, 8, 0 ); } cvShowImage( "result", img ); cvReleaseImage(&gray); cvReleaseImage(&small_img); }
detect_and_draw
===================================
其实上面的代码可以运用于大部分模式识别问题,无论是自己生成的xml文件还是opencv自带的xml文件。在opencv的工程目录opencv\data文件夹下有大量的xml文件,这些都是opencv开源项目中的程序员们自己训练出来的。然而,效果一般不会合你预期,所以才有了本系列文章。天下没有免费的午餐,想要获得更高的查准率与查全率,不付出点努力是不行的!
相关文章推荐
- 训练自己haar-like特征分类器并识别物体(1)
- 训练自己haar-like特征分类器并识别物体(1)
- 训练自己haar-like特征分类器并识别物体(2)
- 训练自己haar-like特征分类器并识别物体(2)
- 训练自己的haar-like特征分类器并识别物体(3)
- 【原】训练自己haar-like特征分类器并识别物体(1)
- 【原】训练自己haar-like特征分类器并识别物体(1)
- 【原】训练自己haar-like特征分类器并识别物体(2)
- 训练自己haar-like特征分类器并识别物体(1)
- 【原】训练自己haar-like特征分类器并识别物体(2)
- 训练自己haar-like特征分类器并识别物体(1)
- 【原】训练自己的haar-like特征分类器并识别物体(3)
- 训练自己haar-like特征分类器并识别物体(2)
- 训练自己haar-like特征分类器并识别物体(3)
- 训练自己的harr-like特征分类器并识别物体
- OpenCV学习记录(二):自己训练haar特征的adaboost分类器进行人脸识别 标签: 脸部识别opencv 2017-07-03 21:38 26人阅读
- OpenCV学习笔记(三十三)——用haar特征训练自己的分类器(再做手势检测)
- opencv实现自己训练的Adaboost(Haar-like)检测识别库
- 用haar特征训练自己的分类器
- 用haar特征训练自己的分类器