python 作物识别_Python-OpenCV —— 物体识别(TrainCascadeClassification)

在上次教程Python-OpenCV —— Machine Learning讲述了如何建立模型,进行训练,然后利用模型对新获得的照片进行预测并给出预测值,本期教程针对某个特定的物体进行检测,将其标记出来,分为3个步骤,第一:训练特定物体,第二:

训练模型

级联分类器

前几天看到一个笑话,很有意思,说的是

理论就是你什么都知道但是什么都干不了

实践就是你什么都能干但是不知道为什么

我就不一样了,我可以理论与实践相结合——什么都干不了而且不知道为什么

开个玩笑,目前有很大一部分的东西都是人们实践得来的经验,有些东西也许很好用,但未必是好理论,比如现在的深度学习,扯远了,继续今天的话题,到底什么是级联分类器,其实就是把分类器按照一定的顺序联合到一起。一个分类器也许不好用,没关系,我给你多加几个,俗话说得好,三个臭皮匠,顶个诸葛亮呢。

具体来说,OpenCV实现的Cascade(级联)分类器就是基于多个弱分类器对不同的特征进行依次处理(分类)来完成对目标的检测,简单的说有多个弱分类器串起来,然后提取每个平滑窗上的不同特征,把这些特征依次放进不同的弱分类器里判断,如果所有的弱分类器都判断正标签,则表示该该平滑窗内检测到目标。这样做的好处是不但通过多个弱分类器来形成一个强的级联分类器,而且可以减少运算量,比如当一个平滑窗第一个特征没有通过第一个分类器,那么就没有必要继续运算下去,直接拒绝掉当前平滑窗,转而处理下一个平滑窗,事实上作者的目的就是为了快速抛弃没有目标的平滑窗,从而达到快速检测目标。

本次用到了OpenCV的两个程序,分别是opencv_createsamples.exe和opencv_traincascade.exe,分别用来创建样本文件和训练级联分类器。

准备训练数据

正样本

正样本就是你要检测的东西,比如说香蕉、车牌、酒瓶、红绿灯等等,你可以找相关的数据集,或者自己手动截图,只取你想要识别的那部分,下面我给了一个小程序用来将你截取的图片都变成统一大小。

#改变图片尺寸为统一大小,在当前目录创建一个名为pos的文件夹

#把需要统一尺寸的正样本放到里面,写上尺寸,运行程序就可以了,一般来说建议长宽在100像素一下,不然训练会很慢

import cv2

import os

w = **

h = **

def getimage(file_dir):

images = {}

for root, dirs, files in os.walk(file_dir):

for name in files:

images[name] = os.path.join(root,name)

return images

if __name__ == '__main__':

n=-1

aa = os.getcwd()

dirpath = os.path.join(aa, 'pos')

imagedic = getimage(dirpath)

try :

for key,value in imagedic.items():

img = cv2.imread(value)

img1 = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

img2 = cv2.resize(img1,(w,h))

cv2.imwrite('pos'+str(n+1).rjust(3,'0')+'.jpg',img2)

n+=1

except KeyboardInterrupt:

print('暂停一下')

修改完图片尺寸之后,需要生成图片的路径,我也写了一个代码,运行后,会在当前目录生成一个如图所示的文件

pos.txt

每一行分别代表文件路径 1代表里面有几个目标,咱们用的截取好的,所以只有一个,然后 0 0 60 120 分别代表着图片的起始像素和终止像素的长宽

#会在当前目录生成一个如图所示的文件,记得修改 w h 为上面修改后的尺寸值

import os

def getimage(file_dir):

images = {}

for root, dirs, files in os.walk(file_dir):

for name in files:

images[name] = os.path.join(root,name)

return images

if __name__ == '__main__':

n=0

aa = os.getcwd()

dirpath = os.path.join(aa, 'pos')

imagedic = getimage(dirpath)

#print (imagedic)

try :

for key,value in imagedic.items():

with open ('pos.txt','a') as f:

f.write('pos/'+str(key).rjust(3,'0')+' 1 0 0 w h''\n')

except KeyboardInterrupt:

print('暂停一下')

接下来就要用opencv_createsamples.exe生成正样本文件了,写了一个批处理文件,新建crate_samples.bat,打开编辑

"在此处写上你的opencv_createsamples.exe路径" -info "pos.txt" -vec pos.vec -num 200 -w 60 -h 120

一些参数解释:

info 输入正样本描述文件

img 输入图像文件名,默认NULL

bg 负样本描述文件,文件中包含一系列的被随机选作物体背景的图像文件名,默认NULL

num 生成正样本的数目,默认1000

bgcolor 背景颜色,表示透明颜色,默认0

bgthresh 颜色容差,所有处于bgcolor- bgthresh和bgcolor+bgthresh之间的像素被置为透明像素,也就是将白噪声加到前景图像上,默认80

inv 前景图像颜色翻转标志,如果指定颜色翻转,默认0(不翻转)

randinv 如果指定颜色将随机翻转,默认0

maxidev 前景图像中像素的亮度梯度最大值,默认40

maxxangle X轴最大旋转角度,以弧度为单位,默认1.1

maxyangle Y轴最大旋转角度,以弧度为单位,默认1.1

maxzangle Z轴最大旋转角度,以弧度为单位,默认0.5

输入图像沿着三个轴进行旋转,旋转角度由上述3个值限定。

show 如果指定,每个样本都将被显示,按下Esc键,程序将继续创建样本而不在显示,默认为0(不显示)

scale 显示图像的缩放比例,默认4.0

w 输出样本宽度,默认24

h 输出样本高度,默认24

vec 输出用于训练的.vec文件

负样本

负样本只需要生成路径文件,不需要生成vec文件,具体步骤跟上面类似,要注意的是负样本要尽可能比正样本多,大概十倍的样子吧。

开始训练

新建一个文件夹TrainCascadeClassification,一会训练好的文件就在这里

新建一个train.bat,编辑

"你的opencv_traincascade.exe目录" -data "你的TrainCascadeClassification目录" -vec pos.vec -bg neg.txt -numPos 160 -numNeg 500 -numStages 15 -precalcValBufSize 3000 -precalcIdxBufSize 3000 -featureType LBP -w 60 -h 120

Pause

一些参数解释

data 训练的分类器的存储目录

vec 正样本文件,由open_createsamples.exe生成,正样本文件后缀名为.vec

bg 负样本说明文件,主要包含负样本文件所在的目录及负样本文件名

numPos 每级分类器训练时所用到的正样本数目,应小于vec文件中正样本的数目,具体数目限制条件为:numPos+(numStages- 1)numPos(1- minHitRate)<=vec文件中正样本的数目。根据我的经验,一般为正样本文件的80%

numNeg 每级分类器训练时所用到的负样本数目,可以大于- bg指定的图片数目。根据我的经验,一般为numPos的2-3倍

numStages 训练分类器的级数,强分类器的个数。根据我的经验,一般为12-20

precalcValBufSize 缓存大小,用于存储预先计算的特征值,单位MB,根据自己内存大小分配

precalcIdxBufSize 缓存大小,用于存储预先计算的特征索引,单位MB,根据自己内存大小分配

featureType 训练使用的特征类型,目前支持的特征有Haar,LBP和HOG

w 训练的正样本的宽度

h 训练的正样本的高

进阶参数

minHitRate 影响每个强分类器阈值,每一级分类器最小命中率,表示每一级强分类器对正样本的的分类准确率

maxFalseAlarm 最大虚警率,影响弱分类器的阈值,表示每个弱分类器将负样本误分为正样本的比例,一般默认值为0.5

weightTrimRate 0- 1之间的阈值,影响参与训练的样本,样本权重更新排序后(从小到大),从前面累计权重小于(1- weightTrimRate)的样本将不参与下一次训练,一般默认值为0.95

maxDepth 每一个弱分类器决策树的深度,默认是1,是二叉树(stumps),只使用一个特征。

maxWeakCount 每级强分类器中弱分类器的最大个数,当FA降不到指定的maxFalseAlarm时可以通过指定最大弱分类器个数停止单个强分类器

这个时候先看一下我们的工作目录下都有那些东西,没有的话,记得补全它。

工作目录

然后打开train.bat,等着就可以了,训练结束后,会得到自己的xml文件,就可以调用了。

你可能感兴趣的