欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

如何利用opencv訓(xùn)練自己的模型實(shí)現(xiàn)特定物體的識(shí)別

 更新時(shí)間:2022年10月31日 11:58:32   作者:大草原的小灰灰  
在Python中通過OpenCV自己訓(xùn)練分類器進(jìn)行特定物體實(shí)時(shí)識(shí)別,下面這篇文章主要給大家介紹了關(guān)于如何利用opencv訓(xùn)練自己的模型實(shí)現(xiàn)特定物體的識(shí)別,文中通過實(shí)例代碼介紹的非常詳細(xì),需要的朋友可以參考下

1.說明

opencv安裝包中有訓(xùn)練好的分類器文件,可以實(shí)現(xiàn)人臉的識(shí)別。當(dāng)然,我們也可以訓(xùn)練自己的分類器文件,實(shí)現(xiàn)對特定物體的識(shí)別。本文章就詳細(xì)介紹下如何訓(xùn)練自己的分類器文件。

2.效果

我訓(xùn)練的是檢測蘋果的的分類器文件,可以實(shí)現(xiàn)對蘋果的識(shí)別。

3.準(zhǔn)備

3.1 程序準(zhǔn)備

  • 訓(xùn)練自己的分類器文件,需要用到兩個(gè)程序 : opencv_createsamples.exe和opencv_traincascade.exe
  • opencv最新的安裝包中沒有這兩個(gè)程序,我們可以下載 3.4.14這個(gè)版本的安裝包進(jìn)行安裝。
  • 安裝完成后,在這個(gè)目錄下就會(huì)有這兩個(gè)程序文件 opencv\build\x64\vc15\bin

3.2 樣本數(shù)據(jù)準(zhǔn)備

正樣本數(shù)據(jù) : 也就是我們需要檢測的物體圖片,可以自己用手機(jī)拍攝下你要檢測的物體的圖片,多拍攝一些不同角度的圖片。

我的正樣本數(shù)據(jù)在這個(gè)目錄下 image\positive\img,大概有50多張圖片

然后在image\positive目錄下新建一個(gè)info.dat文件,在其中記錄正樣本圖片信息

請?zhí)砑訄D片描述

參數(shù)介紹

  • img/1.jpg : 文件路徑和文件名
  • 1:表示圖片中有幾個(gè)目標(biāo)物體,一般一個(gè)就行了
  • 0,0:目標(biāo)物體起始坐標(biāo)
  • 1280,1706:目標(biāo)物體大小

負(fù)樣本數(shù)據(jù):不包含我們要檢測物體的圖片,可以拍攝一些風(fēng)景之類的圖片,盡量多一些。

我的負(fù)樣本數(shù)據(jù)在這個(gè)目錄下 image\negitive\img

然后在image\negitive目錄下新建一個(gè)bg.txt文件,在其中記錄負(fù)樣本圖片信息

負(fù)樣本圖片信息我們只需記錄路徑和文件名就行了,但是這里要注意,路徑名要寫絕對路徑,后面會(huì)說為什么。

3.3 正樣本VEC文件創(chuàng)建

  • 訓(xùn)練樣本之前先要生成vec文件,要用到opencv_createsamples.exe程序
  • opencv_createsamples.exe部分參數(shù)介紹
  [-info <collection_file_name>]  # 記錄樣本數(shù)據(jù)的文件(就是我們剛才創(chuàng)建的info.data文件)
  [-img <image_file_name>]    
  [-vec <vec_file_name>]   # 輸出文件,內(nèi)含用于訓(xùn)練的正樣本。 
  [-bg <background_file_name>]  # 背景圖像的描述文件
  [-num <number_of_samples = 1000>]   #樣本數(shù)量(默認(rèn)為1000)
  [-bgcolor <background_color = 0>]    #指定背景顏色
  [-w <sample_width = 24>]#輸出樣本的寬度(以像素為單位)
  [-h <sample_height = 24>]#輸出樣本的高度(以像素為單位)

參考

在安裝包的這個(gè)目錄下opencv\build\x64\vc15\bin可以找到opencv_createsamples.exe程序,我們生成下vec文件

D:\opencv3.4.12\opencv\build\x64\vc15\bin\opencv_createsamples.exe -info C:\Users\lng\Desktop\image\positive\info.dat -vec C:\Users\lng\Desktop\image\sample.vec -num 58 -bgcolor 0 -bgthresh 0 -w 24 -h 24

在image目錄下就生成了vec文件

4.樣本數(shù)據(jù)訓(xùn)練

  • 完成上面的準(zhǔn)備工作,就可以開始訓(xùn)練樣本。訓(xùn)練樣本需要用到opencv_traincascaded.exe程序
  • opencv_traincascaded.exe程序部分參數(shù)介紹
 -data <cascade_dir_name>     #目錄名,如不存在訓(xùn)練程序會(huì)創(chuàng)建它,用于存放訓(xùn)練好的分類器
 -vec <vec_file_name>              #包含正樣本的vec文件名
 -bg <background_file_name>   #背景描述文件
 [-numPos <number_of_positive_samples = 2000>]   #每級分類器訓(xùn)練時(shí)所用的正樣本數(shù)目
 [-numNeg <number_of_negative_samples = 1000>]   #每級分類器訓(xùn)練時(shí)所用的負(fù)樣本數(shù)目
 [-numStages <number_of_stages = 20>]   #訓(xùn)練的分類器的級數(shù)
--cascadeParams--
 [-featureType <{HAAR(default), LBP, HOG}>]  # 特征的類型: HAAR - 類Haar特征; LBP - 局部紋理模式特征
 [-w <sampleWidth = 24>] #訓(xùn)練樣本的尺寸(單位為像素)
 [-h <sampleHeight = 24>] #訓(xùn)練樣本的尺寸(單位為像素)
--boostParams--
 [-minHitRate <min_hit_rate> = 0.995>] #分類器的每一級希望得到的最小檢測率
 [-maxFalseAlarmRate <max_false_alarm_rate = 0.5>] #分類器的每一級希望得到的最大誤檢率

參考

  • 在安裝包的這個(gè)目錄下opencv\build\x64\vc15\bin可以找到opencv_traincascade.exe程序,開始訓(xùn)練樣本
  • 這里注意下
    • 指定-bg參數(shù)時(shí),文件名前不能加路徑,所以需要把剛才在image\negitive下創(chuàng)建的bg.txt文件拷貝到opencv_traincascade.exe程序所在目錄下,所以要在bg.txt寫負(fù)樣本圖片的絕對路徑。
    • 指定numPos參數(shù)時(shí),因?yàn)槊總€(gè)階段訓(xùn)練時(shí)有些正樣本可能會(huì)被識(shí)別為負(fù)樣本,故每個(gè)訓(xùn)練階段后都會(huì)消耗一定的正樣本。因此,此處使用的正樣本數(shù)量絕對不能等于或超過positive文件夾下的正樣本個(gè)數(shù),一般留有一定的余量
    • 指定-numNeg參數(shù)時(shí),可以多于negitive目錄下的負(fù)樣本數(shù)量
D:\opencv3.4.12\opencv\build\x64\vc15\bin\opencv_traincascade.exe -data C:\Users\lng\Desktop\image -vec C:\Users\lng\Desktop\image\sample.vec -bg bg.txt -numPos 50 -numNeg 500 -numStages 12 -feattureType HAAR -w 24 -h 24 -minHitRate 0.995 -maxFalseAlarmRate 0.5

執(zhí)行結(jié)果

PARAMETERS:
cascadeDirName: C:\Users\lng\Desktop\image
vecFileName: C:\Users\lng\Desktop\image\sample.vec
bgFileName: bg.txt
numPos: 50
numNeg: 500
numStages: 12
precalcValBufSize[Mb] : 1024
precalcIdxBufSize[Mb] : 1024
acceptanceRatioBreakValue : -1
stageType: BOOST
featureType: HAAR
sampleWidth: 24
sampleHeight: 24
boostType: GAB
minHitRate: 0.995
maxFalseAlarmRate: 0.5
weightTrimRate: 0.95
maxDepth: 1
maxWeakCount: 100
mode: BASIC
Number of unique features given windowSize [24,24] : 162336

===== TRAINING 0-stage =====
<BEGIN
POS count : consumed   50 : 50
NEG count : acceptanceRatio    500 : 1
Precalculation time: 0.581
+----+---------+---------+
|  N |    HR   |    FA   |
+----+---------+---------+
|   1|        1|        1|
+----+---------+---------+
|   2|        1|     0.05|
+----+---------+---------+
END>
Training until now has taken 0 days 0 hours 0 minutes 1 seconds.

===== TRAINING 1-stage =====
<BEGIN
POS count : consumed   50 : 50
NEG count : acceptanceRatio    500 : 0.084832
Precalculation time: 0.576
+----+---------+---------+
|  N |    HR   |    FA   |
+----+---------+---------+
|   1|        1|        1|
+----+---------+---------+
|   2|        1|    0.146|
+----+---------+---------+
END>
Training until now has taken 0 days 0 hours 0 minutes 3 seconds.

===== TRAINING 2-stage =====
<BEGIN
POS count : consumed   50 : 50
NEG count : acceptanceRatio    500 : 0.0149993
Precalculation time: 0.592
+----+---------+---------+
|  N |    HR   |    FA   |
+----+---------+---------+
|   1|        1|        1|
+----+---------+---------+
|   2|        1|    0.186|
+----+---------+---------+
END>
Training until now has taken 0 days 0 hours 0 minutes 5 seconds.

===== TRAINING 3-stage =====
<BEGIN
POS count : consumed   50 : 50
NEG count : acceptanceRatio    500 : 0.00288033
Precalculation time: 0.652
+----+---------+---------+
|  N |    HR   |    FA   |
+----+---------+---------+
|   1|        1|        1|
+----+---------+---------+
|   2|        1|    0.298|
+----+---------+---------+
END>
Training until now has taken 0 days 0 hours 0 minutes 7 seconds.

===== TRAINING 4-stage =====
<BEGIN
POS count : consumed   50 : 50
NEG count : acceptanceRatio    500 : 0.000768845
Precalculation time: 0.615
+----+---------+---------+
|  N |    HR   |    FA   |
+----+---------+---------+
|   1|        1|        1|
+----+---------+---------+
|   2|        1|        1|
+----+---------+---------+
|   3|        1|    0.366|
+----+---------+---------+
END>
Training until now has taken 0 days 0 hours 0 minutes 11 seconds.

===== TRAINING 5-stage =====
<BEGIN
POS count : consumed   50 : 50
NEG count : acceptanceRatio    500 : 0.000375057
Precalculation time: 0.61
+----+---------+---------+
|  N |    HR   |    FA   |
+----+---------+---------+
|   1|        1|        1|
+----+---------+---------+
|   2|        1|        1|
+----+---------+---------+
|   3|        1|    0.366|
+----+---------+---------+
END>
Training until now has taken 0 days 0 hours 0 minutes 15 seconds.

===== TRAINING 6-stage =====
<BEGIN
POS count : consumed   50 : 50
NEG count : acceptanceRatio    2 : 0.00016276
Required leaf false alarm rate achieved. Branch training t

訓(xùn)練完成后,在img目錄下就會(huì)生成以下文件。

cascade.xml就是我們需要的分類器文件,其他都是過程文件。

5.測試代碼

main.cpp

#include <iostream>
#include <opencv2/opencv.hpp>

char* face_cascade_name = "C:\\Users\\lng\\Desktop\\image\\cascade.xml";

void faceRecongize(cv::CascadeClassifier faceCascade, cv::Mat frame);

int main(){
    cv::VideoCapture *videoCap = new cv::VideoCapture;

	cv::CascadeClassifier faceCascade;

    // 加載蘋果分類器文件
	if (!faceCascade.load(face_cascade_name)) {
		std::cout << "load face_cascade_name failed. " << std::endl;
		return -1;
	}

    // 打開攝像機(jī)
	videoCap->open(0);


	if (!videoCap->isOpened()) {
		videoCap->release();
		std::cout << "open camera failed"<< std::endl;
        return -1;
	}

	std::cout << "open camera success"<< std::endl;

    while(1){
		cv::Mat frame;
		//讀取視頻幀
		videoCap->read(frame);

		if (frame.empty()) {
			videoCap->release();
			return -1;
		}

        //進(jìn)行蘋果識(shí)別
		faceRecongize(faceCascade, frame);

        //窗口進(jìn)行展示
        imshow("face", frame);

        //等待回車鍵按下退出程序
		if (cv::waitKey(30) == 13) {
			cv::destroyAllWindows();
			return 0;
		}
    }

    system("pause");
    return 0;
}

void faceRecongize(cv::CascadeClassifier faceCascade, cv::CascadeClassifier eyesCascade, cv::CascadeClassifier mouthCascade, cv::Mat frame) {
	std::vector<cv::Rect> faces;

    // 檢測蘋果
	faceCascade.detectMultiScale(frame, faces, 1.1, 2, 0 | cv::CASCADE_SCALE_IMAGE, cv::Size(30, 30));
	for (int i = 0; i < faces.size(); i++) {
		
        // 用橢圓畫出蘋果部分
        cv::Point center(faces[i].x + faces[i].width / 2, faces[i].y + faces[i].height / 2);
		ellipse(frame, center, cv::Size(faces[i].width / 2, faces[i].height / 2), 0, 0, 360, cv::Scalar(255, 0, 255), 4, 8, 0);
		
		cv::Mat faceROI = frame(faces[i]);
		std::vector<cv::Rect> eyes;

        // 蘋果上方區(qū)域?qū)懽诌M(jìn)行標(biāo)識(shí)
		cv::Point centerText(faces[i].x + faces[i].width / 2 - 40, faces[i].y - 20);
		cv::putText(frame, "apple", centerText, cv::FONT_HERSHEY_SIMPLEX, 1, cv::Scalar(0, 0, 255), 2);

	}
}

CMakeLists

cmake_minimum_required (VERSION 3.5)
project (faceRecongize2015)

MESSAGE(STATUS "PROJECT_SOURCE_DIR " ${PROJECT_SOURCE_DIR})
SET(SRC_LISTS ${PROJECT_SOURCE_DIR}/src/main.cpp)

set(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS} -std=c++11")

#set(CMAKE_AUTOMOC ON)
#set(CMAKE_AUTOUIC ON)
#set(CMAKE_AUTORCC ON)

# 配置頭文件目錄
include_directories(${PROJECT_SOURCE_DIR}/src)
include_directories("D:\\opencv3.4.12\\opencv\\build\\include")
include_directories("D:\\opencv3.4.12\\opencv\\build\\include\\opencv2")

# 設(shè)置不顯示命令框
if(MSVC)
	#set(CMAKE_EXE_LINKER_FLAGS "${CMAKE_EXE_LINKER_FLAGS} /SUBSYSTEM:WINDOWS /ENTRY:mainCRTStartup")
endif()

# 添加庫文件
set(PRO_OPENCV_LIB "D:\\opencv3.4.12\\opencv\\build\\x64\\vc15\\lib\\opencv_world3412.lib" "D:\\opencv3.4.12\\opencv\\build\\x64\\vc15\\lib\\opencv_world3412d.lib")

IF(WIN32)
    # 生成可執(zhí)行程序
	ADD_EXECUTABLE(faceRecongize2015 ${SRC_LISTS})
	# 鏈接庫文件
    TARGET_LINK_LIBRARIES(faceRecongize2015 ${PRO_OPENCV_LIB})
ENDIF()

6.編譯說明

我的opencv 3.4.12的安裝路徑是 D:\opencv3.4.12

目錄結(jié)構(gòu)

- src
  - mian.cpp
- build_x64
- CMakeLists

編譯命令, 在build_x64目錄下執(zhí)行

cmake -G "Visual Studio 14 2015 Win64" ..
cmake --build ./ --config Release

編譯完成后拷貝D:\opencv3.4.12\opencv\build\x64\vc15\bin目錄下的opencv_world3412.dll和opencv_world3412d.dll到可執(zhí)行程序目錄下。

備注

經(jīng)過測試,自己訓(xùn)練的樣本,準(zhǔn)確度還是比較差的??赡苁钦龢颖緮?shù)據(jù)太少,且圖片背景占據(jù)位置較多。要提高準(zhǔn)確度,首先增加正樣本圖片數(shù)量,還要就是盡量讓你的目標(biāo)物體占滿整個(gè)圖片,不要留有太多的背景。而且也要有盡可能多的負(fù)樣本數(shù)據(jù)。

總結(jié)

到此這篇關(guān)于如何利用opencv訓(xùn)練自己的模型實(shí)現(xiàn)特定物體的識(shí)別的文章就介紹到這了,更多相關(guān)opencv實(shí)現(xiàn)特定物體的識(shí)別內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!

相關(guān)文章

  • Python使用pyecharts繪制世界地圖,省級地圖,城市地圖實(shí)例詳解

    Python使用pyecharts繪制世界地圖,省級地圖,城市地圖實(shí)例詳解

    這篇文章主要介紹了如何使用Python中的pyecharts庫繪制世界地圖、中國地圖、省級地圖、市級地圖,文中的示例代碼講解詳細(xì),感興趣的小伙伴可以跟隨小編一起動(dòng)手試一試
    2022-02-02
  • Python的消息隊(duì)列包SnakeMQ使用初探

    Python的消息隊(duì)列包SnakeMQ使用初探

    使用消息隊(duì)列在數(shù)據(jù)的通信中擁有很多優(yōu)點(diǎn),SnakeMQ是一個(gè)開源的用Python實(shí)現(xiàn)的跨平臺(tái)MQ庫,well,Python的消息隊(duì)列包SnakeMQ使用初探,here we go:
    2016-06-06
  • 基于Python實(shí)現(xiàn)PDF區(qū)域文本提取工具

    基于Python實(shí)現(xiàn)PDF區(qū)域文本提取工具

    這篇文章主要為大家介紹了如何通過Python實(shí)現(xiàn)一個(gè)非常精簡的圖像化的PDF區(qū)域選擇提取工具,文中示例代碼講解詳細(xì),感興趣的小伙伴可以學(xué)習(xí)一下
    2021-12-12
  • 如何基于Django實(shí)現(xiàn)上下文章跳轉(zhuǎn)

    如何基于Django實(shí)現(xiàn)上下文章跳轉(zhuǎn)

    這篇文章主要介紹了如何基于Django實(shí)現(xiàn)上下文章跳轉(zhuǎn),文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下
    2020-09-09
  • pytorch 實(shí)現(xiàn)tensor與numpy數(shù)組轉(zhuǎn)換

    pytorch 實(shí)現(xiàn)tensor與numpy數(shù)組轉(zhuǎn)換

    今天小編就為大家分享一篇使用pytorch 實(shí)現(xiàn)tensor與numpy數(shù)組轉(zhuǎn)換,具有很好的參考價(jià)值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2019-12-12
  • Python selenium頁面加載慢超時(shí)的解決方案

    Python selenium頁面加載慢超時(shí)的解決方案

    這篇文章主要介紹了Python selenium頁面加載慢超時(shí)的解決方案,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
    2020-03-03
  • Python使用Pandas庫實(shí)現(xiàn)MySQL數(shù)據(jù)庫的讀寫

    Python使用Pandas庫實(shí)現(xiàn)MySQL數(shù)據(jù)庫的讀寫

    這篇文章主要介紹了Python使用Pandas庫實(shí)現(xiàn)MySQL數(shù)據(jù)庫的讀寫 ,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
    2019-07-07
  • Python中給List添加元素的4種方法分享

    Python中給List添加元素的4種方法分享

    這篇文章主要介紹了Python中給List添加元素的4種方法分享,本文講解了append()、extend()、insert()、加號等4個(gè)方法,并給出了操作實(shí)例,需要的朋友可以參考下
    2014-11-11
  • Python英文文章詞頻統(tǒng)計(jì)(14份劍橋真題詞頻統(tǒng)計(jì))

    Python英文文章詞頻統(tǒng)計(jì)(14份劍橋真題詞頻統(tǒng)計(jì))

    這篇文章主要介紹了Python英文文章詞頻統(tǒng)計(jì)(14份劍橋真題詞頻統(tǒng)計(jì)),文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
    2019-10-10
  • Python?PaddleGAN實(shí)現(xiàn)照片人物性別反轉(zhuǎn)

    Python?PaddleGAN實(shí)現(xiàn)照片人物性別反轉(zhuǎn)

    PaddleGAN中的styleganv2editing.py是支持性別編輯的。所以本文將介紹如何通過調(diào)整參數(shù),來試著實(shí)現(xiàn)一下照片的性別翻轉(zhuǎn)。感興趣的小伙伴可以學(xué)習(xí)一下
    2021-12-12

最新評論