如何利用opencv训练自己的模型实现特定物体的识别，
如何利用opencv训练自己的模型实现特定物体的识别，
目录
- 1.说明
- 2.效果
- 3.准备
- 3.1 程序准备
- 3.2 样本数据准备
- 3.3 正样本VEC文件创建
- 4.样本数据训练
- 5.测试代码
- 6.编译说明
- 备注
- 总结
1.说明
opencv安装包中有训练好的分类器文件，可以实现人脸的识别。当然，我们也可以训练自己的分类器文件，实现对特定物体的识别。本文章就详细介绍下如何训练自己的分类器文件。
2.效果
我训练的是检测苹果的的分类器文件，可以实现对苹果的识别。
3.准备
3.1 程序准备
- 训练自己的分类器文件，需要用到两个程序 : opencv_createsamples.exe和opencv_traincascade.exe
- opencv最新的安装包中没有这两个程序，我们可以下载 3.4.14这个版本的安装包进行安装。
- opencv安装包 : opencv-3.4.14-vc14_vc15.exe
- 安装完成后，在这个目录下就会有这两个程序文件 opencv\build\x64\vc15\bin
3.2 样本数据准备
正样本数据 : 也就是我们需要检测的物体图片，可以自己用手机拍摄下你要检测的物体的图片，多拍摄一些不同角度的图片。
我的正样本数据在这个目录下 image\positive\img，大概有50多张图片
然后在image\positive目录下新建一个info.dat文件，在其中记录正样本图片信息
参数介绍
- img/1.jpg : 文件路径和文件名
- 1：表示图片中有几个目标物体，一般一个就行了
- 0，0：目标物体起始坐标
- 1280，1706：目标物体大小
负样本数据：不包含我们要检测物体的图片，可以拍摄一些风景之类的图片，尽量多一些。
我的负样本数据在这个目录下 image\negitive\img
然后在image\negitive目录下新建一个bg.txt文件，在其中记录负样本图片信息
负样本图片信息我们只需记录路径和文件名就行了，但是这里要注意，路径名要写绝对路径，后面会说为什么。
3.3 正样本VEC文件创建
- 训练样本之前先要生成vec文件，要用到opencv_createsamples.exe程序
- opencv_createsamples.exe部分参数介绍
[-info <collection_file_name>] # 记录样本数据的文件(就是我们刚才创建的info.data文件) [-img <image_file_name>] [-vec <vec_file_name>] # 输出文件，内含用于训练的正样本。 [-bg <background_file_name>] # 背景图像的描述文件 [-num <number_of_samples = 1000>] #样本数量（默认为1000） [-bgcolor <background_color = 0>] #指定背景颜色 [-w <sample_width = 24>]#输出样本的宽度（以像素为单位） [-h <sample_height = 24>]#输出样本的高度（以像素为单位）
参考
在安装包的这个目录下opencv\build\x64\vc15\bin可以找到opencv_createsamples.exe程序，我们生成下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目录下就生成了vec文件
4.样本数据训练
- 完成上面的准备工作，就可以开始训练样本。训练样本需要用到opencv_traincascaded.exe程序
- opencv_traincascaded.exe程序部分参数介绍
-data <cascade_dir_name> #目录名，如不存在训练程序会创建它，用于存放训练好的分类器
-vec <vec_file_name> #包含正样本的vec文件名
-bg <background_file_name> #背景描述文件
[-numPos <number_of_positive_samples = 2000>] #每级分类器训练时所用的正样本数目
[-numNeg <number_of_negative_samples = 1000>] #每级分类器训练时所用的负样本数目
[-numStages <number_of_stages = 20>] #训练的分类器的级数
--cascadeParams--
[-featureType <{HAAR(default), LBP, HOG}>] # 特征的类型： HAAR - 类Haar特征； LBP - 局部纹理模式特征
[-w <sampleWidth = 24>] #训练样本的尺寸（单位为像素）
[-h <sampleHeight = 24>] #训练样本的尺寸（单位为像素）
--boostParams--
[-minHitRate <min_hit_rate> = 0.995>] #分类器的每一级希望得到的最小检测率
[-maxFalseAlarmRate <max_false_alarm_rate = 0.5>] #分类器的每一级希望得到的最大误检率
参考
- 在安装包的这个目录下opencv\build\x64\vc15\bin可以找到opencv_traincascade.exe程序，开始训练样本
- 这里注意下
- 指定-bg参数时，文件名前不能加路径，所以需要把刚才在image\negitive下创建的bg.txt文件拷贝到opencv_traincascade.exe程序所在目录下，所以要在bg.txt写负样本图片的绝对路径。
- 指定numPos参数时，因为每个阶段训练时有些正样本可能会被识别为负样本，故每个训练阶段后都会消耗一定的正样本。因此，此处使用的正样本数量绝对不能等于或超过positive文件夹下的正样本个数，一般留有一定的余量
- 指定-numNeg参数时，可以多于negitive目录下的负样本数量
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
执行结果
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
训练完成后，在img目录下就会生成以下文件。
cascade.xml就是我们需要的分类器文件，其他都是过程文件。
5.测试代码
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;
// 加载苹果分类器文件
if (!faceCascade.load(face_cascade_name)) {
std::cout << "load face_cascade_name failed. " << std::endl;
return -1;
}
// 打开摄像机
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;
//读取视频帧
videoCap->read(frame);
if (frame.empty()) {
videoCap->release();
return -1;
}
//进行苹果识别
faceRecongize(faceCascade, frame);
//窗口进行展示
imshow("face", frame);
//等待回车键按下退出程序
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;
// 检测苹果
faceCascade.detectMultiScale(frame, faces, 1.1, 2, 0 | cv::CASCADE_SCALE_IMAGE, cv::Size(30, 30));
for (int i = 0; i < faces.size(); i++) {
// 用椭圆画出苹果部分
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;
// 苹果上方区域写字进行标识
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)
# 配置头文件目录
include_directories(${PROJECT_SOURCE_DIR}/src)
include_directories("D:\\opencv3.4.12\\opencv\\build\\include")
include_directories("D:\\opencv3.4.12\\opencv\\build\\include\\opencv2")
# 设置不显示命令框
if(MSVC)
#set(CMAKE_EXE_LINKER_FLAGS "${CMAKE_EXE_LINKER_FLAGS} /SUBSYSTEM:WINDOWS /ENTRY:mainCRTStartup")
endif()
# 添加库文件
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)
# 生成可执行程序
ADD_EXECUTABLE(faceRecongize2015 ${SRC_LISTS})
# 链接库文件
TARGET_LINK_LIBRARIES(faceRecongize2015 ${PRO_OPENCV_LIB})
ENDIF()
6.编译说明
我的opencv 3.4.12的安装路径是 D:\opencv3.4.12
目录结构
- src - mian.cpp - build_x64 - CMakeLists
编译命令, 在build_x64目录下执行
cmake -G "Visual Studio 14 2015 Win64" .. cmake --build ./ --config Release
编译完成后拷贝D:\opencv3.4.12\opencv\build\x64\vc15\bin目录下的opencv_world3412.dll和opencv_world3412d.dll到可执行程序目录下。
备注
经过测试，自己训练的样本，准确度还是比较差的。可能是正样本数据太少，且图片背景占据位置较多。要提高准确度，首先增加正样本图片数量，还要就是尽量让你的目标物体占满整个图片，不要留有太多的背景。而且也要有尽可能多的负样本数据。
总结
到此这篇关于如何利用opencv训练自己的模型实现特定物体的识别的文章就介绍到这了,更多相关opencv实现特定物体的识别内容请搜索3672js教程以前的文章或继续浏览下面的相关文章希望大家以后多多支持3672js教程！
您可能感兴趣的文章:- python+opencv实现动态物体识别
- python3+opencv3识别图片中的物体并截取的方法
评论关闭