目录
一、准备阶段
二、图片处理
三、生成描述文件
四、生成.vec文件
五、生成.xml自定义分类器文件
六、识别检测
一、准备阶段
正样本集:正样本集为包含“识别物体”的灰度图,一般大于等于2000张,尺寸不能太大,尺寸太大会导致训练时间过长。
负样本集:负样本集为不含“识别物体”的任何图片,一般大于等于5000张,尺寸比正样本集稍大。一般为正样品集的3倍。
在当前文件夹下新建五个文件夹,pos和neg放处理后的图片,ini_pos和ini_neg放原来的图像,xml放以后自定义生成的分类器
将下载的正负样本集分别放入ini_pos和ini_neg文件夹。
我百度图片上下载了船的图片到ini_pos,鱼的图片到ini_neg
注意:好的正训练集最好还是图片中只有你需要的物体,而没有其他物体和背景干扰,百度图片里面有动图gif格式图片,不能通过opencv读取,下载完后看好图片后缀。
下面是初始的俩个样品集
二、图片处理
样品集需要统一大小和统一改为灰度图
代码:
import cv2 as cvimport matplotlib.pyplot as pltimport os#解决中文显示问题,固定格式,直接复制下面俩行代码就行plt.rcParams['font.sans-serif']=['SimHei']plt.rcParams['axes.unicode_minus']=Falsepospath = "./ini_pos"#正样本集文件夹路径pos = os.listdir(pospath)#读取路径下的所有文件negpath = "./ini_neg"neg = os.listdir(negpath)#图片处理,注意图片不能有gif格式def picdif(): global pos,neg; i=1; for picname in pos:#遍历pos文件数组所有的文件名 #读取灰度图 pic=cv.imread(pospath+"\\"+picname) pic=cv.cvtColor(pic,cv.COLOR_BGR2GRAY) #修改尺寸 pic=cv.resize(pic,(40,40)) #保存图片 cv.imwrite("./pos/"+str("%03d"%i)+".jpg",pic) i+=1 #同理对负样本集进行处理 j = 1; for picname in neg: # 遍历neg文件数组所有的文件名 #读取灰度图 pic=cv.imread(negpath+"\\"+picname) pic=cv.cvtColor(pic,cv.COLOR_BGR2GRAY) #修改尺寸 pic=cv.resize(pic,(50,50)) #重命名,并保存图片 cv.imwrite("./neg/"+str("%03d"%j)+".jpg",pic) j+=1if __name__ == '__main__':# 1.导入文件夹,对图像统一处理,统一尺寸大小,统一灰度图 picdif()
处理后的正负样本集和图片:
三、生成描述文件
正样本描述文件如下:
其中”1″为图片数量(0,0)坐标,(40,40)是正样本集的长宽
负样本描述文件如下:
代码更新:
a_main.py
import cv2 as cvimport os#解决中文显示问题,固定格式,直接复制下面俩行代码就行plt.rcParams['font.sans-serif']=['SimHei']plt.rcParams['axes.unicode_minus']=Falsepospath = "./ini_pos"#正样本集文件夹路径pos = os.listdir(pospath)#读取路径下的所有文件negpath = "./ini_neg"neg = os.listdir(negpath)#图片处理,注意图片不能有gif格式def picdif(): global pos,neg; i=1; for picname in pos:#遍历pos文件数组所有的文件名 #读取灰度图 pic=cv.imread(pospath+"\\"+picname) pic=cv.cvtColor(pic,cv.COLOR_BGR2GRAY) #修改尺寸 pic=cv.resize(pic,(40,40)) #保存图片 cv.imwrite("./pos/"+str("%03d"%i)+".jpg",pic) i+=1 #同理对负样本集进行处理 j = 1; for picname in neg: # 遍历neg文件数组所有的文件名 #读取灰度图 pic=cv.imread(negpath+"\\"+picname) pic=cv.cvtColor(pic,cv.COLOR_BGR2GRAY) #修改尺寸 pic=cv.resize(pic,(50,50)) #重命名,并保存图片 cv.imwrite("./neg/"+str("%03d"%j)+".jpg",pic) j+=1# 描述文件生成def createtxt(): global pos, neg #正样本描述文件: for picname in pos: line ="pos/"+picname+" />
四、生成.vec文件
获取opencv_createsamples.exe和opencv_traincascade.exe
这两个软件在opencv安装包里是没有的,只有下载opencv以及opencv_contrib源码自己编译才会生成这两个可执行程序
我是直接下载别人的程序,下面是网址
opencv341_bin: 编译opencv以及opencv_contrib以后的bin文件夹,里面包含一些可执行程序https://gitee.com/lizaozao/opencv341_bin注意下载依赖项解压到opencv_createsamples.exe和opencv_traincascade.exe同一目录下
在该主目录文件下打开终端窗口,win11可直接通过右键“在终端打开”
输入
.\opencv_createsamples.exe -info pos.txt -vec detect_number.vec -bg neg.txt -num 19 -w 40 -h 40
-info 正样本txt
-vec 是你生成vec文件的位置和名称
-bg 负样本txt
-num 正样本数量
-w 正样本宽度
-h 正样本高度
五、生成.xml自定义分类器文件
当前主目录文件夹终端下输入
./opencv_traincascade.exe -data xml -vec detect_number.vec -bg neg.txt -numPos 19 -numNeg 25 -numStages 20 -featureType HAAR -w 40 -h 40
-data 前面创建好的xml文件夹
-vec 是你之前生成vec文件
-bg 负样本集txt
-numPos 正样本的数量
-numNeg 负样本的数量
-numStages 训练步数
-featureType 特征类型训练时,提取图像特征的类型,目前只支持LBP、HOG、Haar三种特征。但是HAAR训练非常非常的慢,而LBP则相对快很多,因为HAAR需要浮点运算,精度自然比LBP更高
-w -h 正样本的宽高
结果:
由于样本较少,训练十秒就完成了
六、识别检测
上一节课已经说了,直接上代码
[图像识别]12.Opencv案例 超简单人脸检测识别_ζั͡ ั͡雾 ั͡狼 ั͡✾的博客-CSDN博客1.原理:我们使用机器学习的方法完成人脸检测,首先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。Haar特征(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和。)会被使用,就像我们的卷积核,每一个特征是一个值。Haar特征值反映了图像的灰度变化情况。Haar特征可用于于图像任意位置,大小也可以任意改变,所以矩形特征值是矩形模版类别、矩形位置和矩形大小这三个因素的函数。故类别、大小和位置的变化,使得很小的检测窗口含有非常多的矩形特征。https://blog.csdn.net/qq_54263076/article/details/127155374" />
由于所选样本太太太太少,且有些正样本不纯不好,导致结果偏差比较大
根据以上教程,可以不断像文件夹添加样本图片达到上千,生成.vec和.xml文件,完成自己的物品识别,完整代码放在下面,可以自己下载修改
https://download.csdn.net/download/qq_54263076/86736208https://download.csdn.net/download/qq_54263076/86736208