没有更多推荐了，
不良信息举报
举报内容：
第二十三篇：深度美文:浅析人脸检测之Haar分类器方法 - ello - 博客园
举报原因：
原文地址：
原因补充：
最多只允许输入30个字
加入CSDN，享受更精准的内容推荐，与500万程序员共同成长！opencv+Recorder︱OpenCV 中使用 Haar 分类器进行面部检测
本文来自于段力辉 译《OpenCV-Python 中文教程》
以 Haar 特征分类器为基础的对象检测技术是一种非常有效的对象检测技术（2001 年 Paul_Viola 和 Michael_Jones 提出）。它是基于机器学习的，通过使用大量的正负样本图像训练得到一个 ascade_function，最后再用它来做对象检测。
现在我们来学习面部检测。开始时，算法需要大量的正样本图像（面部图像）和负样本图像（不含面部的图像）来训练分类器。我们需要从其中提取特征。下图中的 Haar 特征会被使用。它们就像我们的卷积核。每一个特征是一个值，这个值等于黑色矩形中的像素值之后减去白色矩形中的像素值之和
使用所有可能的核来计算足够多的特征。 （想象一下这需要多少计算量？仅仅是一个 24x24 的窗口就有 160000 个特征）。对于每一个特征的计算我们好需要计算白色和黑色矩形内的像素和。为了解决这个问题，作者引入了积分图像，这可以大大的简化求和运算，对于任何一个区域的像素和只需要对积分图像上的四个像素操作即可。非常漂亮，它可以使运算速度飞快！
但是在我们计算得到的所有的这些特征中，大多数是不相关的。如下图所示。上边一行显示了两个好的特征，第一个特征看上去是对眼部周围区域的描述，因为眼睛总是比鼻子黑一些。第二个特征是描述的是眼睛比鼻梁要黑一些。
但是如果把这两个窗口放到脸颊的话，就一点都不相关。那么我们怎样从超过160000+ 个特征中选出最好的特征呢？使用 Adaboost。
为了达到这个目的，我们将每一个特征应用于所有的训练图像。对于每一个特征，我们要找到它能够区分出正样本和负样本的最佳阈值。但是很明显，这会产生错误或者错误分类。我们要选取错误率最低的特征，这说明它们是检测面部和非面部图像最好的特征。（这个过程其实不像我们说的这么简单。在开始时每一张图像都具有相同的权重，每一次分类之后，被错分的图像的权重会增大。同样的过程会被再做一遍。然后我们又得到新的错误率和新的权重。重复执行这个过程知道到达要求的准确率或者错误率或者要求数目的特征找到）。
最终的分类器是这些弱分类器的加权和。之所以成为弱分类器是应为只是用这些分类器不足以对图像进行分类，但是与其他的分类器联合起来就是一个很强的分类器了。文章中说 200 个特征就能够提供 95% 的准确度了。他们最后使用 6000 个特征。（从 160000 减到 6000，效果显著呀！）。
现在你有一幅图像，对每一个 24x24 的窗口使用这 6000 个特征来做检查，看它是不是面部。这是不是很低效很耗时呢？的确如此，但作者有更好的解决方法。
在一副图像中大多数区域是非面部区域。所以最好有一个简单的方法来证明这个窗口不是面部区域，如果不是就直接抛弃，不用对它再做处理。而不是集中在研究这个区域是不是面部。按照这种方法我们可以在可能是面部的区域多花点时间。
为了达到这个目的作者提出了级联分类器的概念。不是在一开始就对窗口进行这 6000 个特征测试，将这些特征分成不同组。在不同的分类阶段逐个使用。（通常前面很少的几个阶段使用较少的特征检测）。如果一个窗口第一阶段的检测都过不了就可以直接放弃后面的测试了，如果它通过了就进入第二阶段的检测。如果一个窗口经过了所有的测试，那么这个窗口就被认为是面部区域。
这个计划是不是很帅！！！
作者将 6000 多个特征分为 38 个阶段，前五个阶段的特征数分别为 1，10， 25， 25 和 50。（上图中的两个特征其实就是从 Adaboost 获得的最好特征）。
According to authors, on an average, 10 features out of 6000+are evaluated per sub-window.上面是我们对 Viola-Jones 面部检测是如何工作的直观解释。读一下原始文献或者更多资源中非参考文献将会对你有更大帮助。
二、OpenCV 中的 Haar 级联检测
OpenCV 自带了训练器和检测器。如果你想自己训练一个分类器来检测汽车，飞机等的话，可以使用 OpenCV 构建。其中的细节在这里： Cascade Classifier Training
现在我们来学习一下如何使用检测器。 OpenCV 已经包含了很多已经训练好的分类器，其中包括：面部，眼睛，微笑等。这些 XML 文件保存在/opencv/data/haarcascades/文件夹中。下面我们将使用 OpenCV 创建一个面部和眼部检测器。
首先我们要加载需要的 XML 分类器。然后以灰度格式加载输入图像或者是视频
import numpy as np
import cv2
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
eye_cascade = cv2.CascadeClassifier('haarcascade_eye.xml')
img = cv2.imread('sachin.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
现在我们在图像中检测面部。如果检测到面部，它会返回面部所在的矩形区域 Rect（x,y,w,h）。一旦我们获得这个位置，我们可以创建一个 ROI 并在其中进行眼部检测。（谁让眼睛长在脸上呢！！！）
#Detects objects of different sizes in the input image.
# The detected objects are returned as a list of rectangles.
#cv2.CascadeClassifier.detectMultiScale(image, scaleFactor, minNeighbors, flags, minSize, maxSize)
#scaleFactor – Parameter specifying how much the image size is reduced at each image
#minNeighbors – Parameter specifying how many neighbors each candidate rectangle should
#have to retain it.
#minSize – Minimum possible object size. Objects smaller than that are ignored.
#maxSize – Maximum possible object size. Objects larger than that are ignored.
faces = face_cascade.detectMultiScale(gray, 1.3, 5)
for (x,y,w,h) in faces:
img = cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)
roi_gray = gray[y:y+h, x:x+w]
roi_color = img[y:y+h, x:x+w]
eyes = eye_cascade.detectMultiScale(roi_gray)
for (ex,ey,ew,eh) in eyes:
cv2.rectangle(roi_color,(ex,ey),(ex+ew,ey+eh),(0,255,0),2)
cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
detectMultiScale()函数的参数有：
image – 需要检测的 CV_8U 输入矩阵。
objects – 输出vector载体容器用于保存被识别的物体矩阵。
scaleFactor – 指定每张图片的缩小比例的参数。
minNeighbors – 指定每个候选矩阵至少包含的邻近元素个数。
flags – 与旧版级联分类器模型函数cvHaarDetectObjects的flags相同. 此参数不被用于新版模型。
minSize – 最小可能的对象的大小，小于的对象将被忽略。
maxSize – 最大可能的对象的大小，大于的对象将被忽略。
faces = faceCascade.detectMultiScale(
scaleFactor=1.1,
minNeighbors=1,# minNeighbors=5比较难检测
minSize=(30, 30),
flags=cv2.cv.CV_HAAR_SCALE_IMAGE
没有更多推荐了，
不良信息举报
举报内容：
opencv+Recorder︱OpenCV 中使用 Haar 分类器进行面部检测
举报原因：
原文地址：
原因补充：
最多只允许输入30个字
加入CSDN，享受更精准的内容推荐，与500万程序员共同成长！opencv的haar特征识别，在训练xml文件时出现问题
[问题点数：100分，结帖人qq_]
opencv的haar特征识别，在训练xml文件时出现问题
[问题点数：100分，结帖人qq_]
不显示删除回复
显示所有回复
显示星级回复
显示得分回复
只显示楼主
2014年 总版技术专家分年内排行榜第二
2013年 总版技术专家分年内排行榜第三
2014年 总版技术专家分年内排行榜第二
2013年 总版技术专家分年内排行榜第三
匿名用户不能发表回复！|目标检测之训练opencv自带的分类器（opencv_haartraining 或 opencv_traincascade）
最权威的说明，参考官方使用手册：
http://www..org.cn/opencvdoc/2.3.2/html/doc/user_guide/ug_traincascade.html
自带的分类器是adaboost分类器算法思想是通过迭代训练弱分类器得到一个强分类器。每次迭代得到局部最优的分类器，然后将局部最优的分类器权值相加最后得到一个可用的强分类器。
算法伪代码如下：
（1）初始化训练数据的权值分布，让其服从均匀分布。
（2）学习具有权值分布的训练数据集Dm (m= 1…M),得到基本的分类器 。计算 在训练数据集上的分类误差率。
也就是分类错误样本的个数。（因为开始服从均匀分布）。
（3）计算 的系数，也就是弱分类器的权值。 可以看出分类错误样本的个数越多弱分类器的权值就越小，说明分类器的分类能力越差。
（4）更新训练数据集的权值分布。
由上述公式可以看出，可以增大分类错误样本的权值，突出分类错误的样本再进行分类。
（5）弱分类器的权值加权得到最终的分类器。
简单的原理如上文所述，详细原理可以查看李航版的《统计方法》。下面详细介绍如何才能训练一个合适的opencv分类器。
整个训练过程分为以下几步：
样本分为正、负两类。其中正样本就是我们要检测目标样本。因为我要检测车轮所以，我的正样本就是车轮。负样本就是其他任意的图片，经个人实验发现负样本跟正样本相关训练出的分类器分类效果比较好。（诸如，我的正样本是车轮，负样本是街道，道路，车身等）。
所有正样本统一大小40*40放在相应的文件夹下。
负样本的数量大于正样本数量放在相应的文件夹下。
正样本应该进行分割，使只包含有目标物。
一、所有的正样本放在pos文件夹下，负样本放在neg文件加下。
文件中的所有图片，生成统一大小（40*40）保存到文件中：代码地址：。
图片生成info.txt文件的代码，地址：。
二、分别为正负样本创建描述文件。
为正样本创建描述文件格式文件info.txt，并且把这个文件放在与样本图片同一目录下，例如我的目录为：
E:\Adesk\Cpp-Primer\harr-like\pos\pos.txt
（文件名改为：pos.txt）
为负样本创建集合文件格式文件neg.txt, 并且把这个文件放在与样本图片同一目录下，例如我的目录为：
E:\Adesk\Cpp-Primer\harr-like\neg\neg.txt。
三、创建正样本。
Opencv2.4.8自带的分类器在D:\opencv\build\x86\vc10\bin目录下。
输入opencv_createsamples.exe回车就可以得到训练需要的参数列表。按照输入即可，我创建600个正样本。如下：
-info E:\Adesk\Cpp-Primer\harr-like\pos\pos.txt -vec E:\Adesk\Cpp-Primer\harr-like\pos\pos.vec -num 2000 -w 40 -h 40
正样本创建完毕。开始训练分类器。
四 训练opencv自带的分类器。
输入opencv_haartraining.exe(回车)同样可以得到训练需要的参数列表。
本人输入以下参数列表开始训练。
-data E:\Adesk\Cpp-Primer\harr-like\dt -vec E:\Adesk\Cpp-Primer\harr-like\pos\pos.vec -bg E:\Adesk\Cpp-Primer\harr-like\neg\neg.txt -npos 1500
-nneg 4500 -nstages 2 -nsplits 5 -mem 4096 -nonsym -w 40 -h 40
经验证正负样本数目在1:3的时候训练效果比较好。当然训练层数越多越好，我这儿只是训练了16层。如果训练过程中出现卡在某一层。有以下原因和解决方案。
是负样本有问题，解决方案（成功通过）：1。卡在某一层后，按ctrl+c结束2。更新你的负样本3。不要删除已经训练出的cascade4。继续训练，请注意是否要改动-nneg参数
-mem 是训练时要求所占内存的电脑内存是4G所以我这儿写的是2048.具体看自己实现。
训练完毕后会在文件夹下面发现一个dt.xml文件说明你训练成功。可以进入测试环节了。
当然opencv自带的分类器作为入门的检测器有很多缺点，检测不是很准确，训练过程耗时太长等等。因此下面将介绍一个更好的检测器给大家。
在这两天的实验过程中发现的问题及解决方法
问题1：若生成正样本是5000个时，训练正样本时全部都用完的话，会出现没法提取正样本的错误。
解决方法每次训练样本时都要比生成的正样本少200~300个例如我实验的时候就用4700个正样本。
问题2，若在一个地方停止2,3个小时没动静
估计是负样本不足造成的。利用ctrl+c指令中断重新进行训练增加负样本的数目及多样性。可以生成分辨率不同的分类器这样子分类器就会具有尺度不变性。
也可以用opencv的cvHaarDetectObjects函数进行检测：
　　CvSeq* faces = cvHaarDetectObjects( img, cascade, storage,1.1, 2, CV_HAAR_DO_CANNY_PRUNING,cvSize(40, 40) );
// opencv_haartraining
-data E:\Adesk\Cpp-Primer\harr-like\dt1 -vec E:\Adesk\Cpp-Primer\harr-like\pos\pos.vec -bg E:\Adesk\Cpp-Primer\harr-like\neg\neg.txt -npos 3000 -nneg 9000 -nstages 10 -nsplits 2 -mem 6144 -nonsym -w 40 -h 40
// opencv_traincascade
-data E:\Adesk\Cpp-Primer\harr-like\dt -vec E:\Adesk\Cpp-Primer\harr-like\pos\pos.vec -bg E:\Adesk\Cpp-Primer\harr-like\neg\neg.txt -numPos 5000 -numNeg 9000 -numStages 8 -minHitRate 0.999 -precalcValbufSize 2048 -precalcdxBufSize 2048 -w 40 -h 40
opencv_traincascade测试:
CascadeClassifier *face_
vector&Rect&
face_cascade-&detectMultiScale(frame_gray, faces, 1.1, 2, 0 | CASCADE_SCALE_IMAGE, Size(30, 30));
测试代码：地址：。
如果帮到你了，请赞赏支持：
没有更多推荐了，
不良信息举报
举报内容：
目标检测之训练opencv自带的分类器（opencv_haartraining 或 opencv_traincascade）
举报原因：
原文地址：
原因补充：
最多只允许输入30个字
加入CSDN，享受更精准的内容推荐，与500万程序员共同成长！