Haar Cascade經常使用來作人臉檢測，其實它能夠檢測任何對象。OpenCV項目源碼中有不少訓練好的Haar分類器。html
OpenCV自帶的haarcascade文件
本帖開始先了解怎麼使用這些現成的分類器，最後再訓練本身的Haar分類器。若是你要檢測什麼物體，先Google，也許已經有訓練好的Haar分類器了（像汽車、貓，狗之類的）。python
若是你沒有安裝OpenCV，參考：Ubuntu編譯安裝OpenCV 3.1（Python）sublime-text
使用OpenCV自帶的Haar分類器檢測臉和眼睛，代碼：api
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
|
import cv2
import sys
img = cv2.imread(sys.argv[1])
# 加載分類器
face_haar = cv2.CascadeClassifier("data/haarcascades/haarcascade_frontalface_default.xml")
eye_haar = cv2.CascadeClassifier("data/haarcascades/haarcascade_eye.xml")
# 把圖像轉爲黑白圖像
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 檢測圖像中的全部臉
faces = face_haar.detectMultiScale(gray_img, 1.3, 5)
for face_x,face_y,face_w,face_h in faces:
cv2.rectangle(img, (face_x, face_y), (face_x+face_w, face_y+face_h), (0,255,0), 2)
# 眼長在臉上
roi_gray_img = gray_img[face_y:face_y+face_h, face_x:face_x+face_w]
roi_img = img[face_y:face_y+face_h, face_x:face_x+face_w]
eyes = eye_haar.detectMultiScale(roi_gray_img, 1.3, 5)
for eye_x,eye_y,eye_w,eye_h in eyes:
cv2.rectangle(roi_img, (eye_x,eye_y), (eye_x+eye_w, eye_y+eye_h), (255,0,0), 2)
cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
|
|
1
|
$ python face_detect.py lena.jpg
|
使用攝像頭作爲輸入，實時檢測：多線程
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
|
import cv2
face_haar = cv2.CascadeClassifier("data/haarcascades/haarcascade_frontalface_default.xml")
eye_haar = cv2.CascadeClassifier("data/haarcascades/haarcascade_eye.xml")
cam = cv2.VideoCapture(0)
while True:
_, img = cam.read()
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
faces = face_haar.detectMultiScale(gray_img, 1.3, 5)
for face_x,face_y,face_w,face_h in faces:
cv2.rectangle(img, (face_x, face_y), (face_x+face_w, face_y+face_h), (0,255,0), 2)
roi_gray_img = gray_img[face_y:face_y+face_h, face_x:face_x+face_w]
roi_img = img[face_y:face_y+face_h, face_x:face_x+face_w]
eyes = eye_haar.detectMultiScale(roi_gray_img, 1.3, 5)
for eye_x,eye_y,eye_w,eye_h in eyes:
cv2.rectangle(roi_img, (eye_x,eye_y), (eye_x+eye_w, eye_y+eye_h), (255,0,0), 2)
cv2.imshow('img', img)
key = cv2.waitKey(30) & 0xff
if key == 27:
break
cam.release()
cv2.destroyAllWindows()
|
上面咱們使用的是訓練好的分類器文件，若是你要檢測的物體沒有現成的Haar分類器，咱們只能本身訓練了，其中最費事的部分就是製做訓練樣本。ide
訓練Haar分類器的主要步驟：工具
- 蒐集製做成千上萬張」消極」圖像，什麼圖片都行，可是確保要檢測的對象不在圖像中
- 蒐集製做成千上萬張」積極」圖像，確保這些圖像中包含要檢測的對象
- http://image-net.org是不錯的圖像資源站
- 建立」積極」向量文件
- 使用OpenCV訓練Haar分類器
爲了簡單，我使用一張圖片製做」積極」圖像：測試
作一個能檢測我鼠標的Haar分類器
這是個人鼠標，我就使用這一張圖片製做」積極」圖像，沒錯，最後訓練出來的Haar分類器只能識別這個特定鼠標。若是你想要識別各類各樣的鼠標，你須要蒐集整理包含各類鼠標的圖片（標記出圖片中鼠標所在位置-ROI），即便有工具的幫助，這個工做也是至關痛苦的。url
下載」消極」圖像spa
找點和鼠標不想幹的圖片：image-net
Downloads中包含圖像地址：
寫一個簡單的Python腳本下載圖片：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
|
# Python3
import urllib.request
import cv2
import os
# 建立圖片保存目錄
if not os.path.exists('neg'):
os.makedirs('neg')
neg_img_url = ['http://image-net.org/api/text/imagenet.synset.geturls?wnid=n00523513', 'http://image-net.org/api/text/imagenet.synset.geturls?wnid=n07942152']
urls = ''
for img_url in neg_img_url:
urls += urllib.request.urlopen(img_url).read().decode()
img_index = 1
for url in urls.split('\n'):
try:
print(url)
urllib.request.urlretrieve(url, 'neg/'+str(img_index)+'.jpg')
# 把圖片轉爲灰度圖片
gray_img = cv2.imread('neg/'+str(img_index)+'.jpg', cv2.IMREAD_GRAYSCALE)
# 更改圖像大小
image = cv2.resize(gray_img, (150, 150))
# 保存圖片
cv2.imwrite('neg/'+str(img_index)+'.jpg', image)
img_index += 1
except Exception as e:
print(e)
# 判斷兩張圖片是否徹底同樣
def is_same_image(img_file1, img_file2):
img1 = cv2.imread(img_file1)
img2 = cv2.imread(img_file2)
if img1.shape == img2.shape and not (np.bitwise_xor(img1, img2).any()):
return True
else:
return False
# 去除重複圖片
"""
file_list = os.listdir('neg')
try:
for img1 in file_list:
for img2 in file_list:
if img1 != img2:
if is_same_image('neg/'+img1, 'neg/'+img2) is True:
print(img1, img2)
os.remove('neg/'+img1)
file_list.remove(img1)
except Exception as e:
print(e)
"""
|
- 不少url被牆，你可能須要使用代理。(參考：使用Tor的匿名Python爬蟲)
- 下載的文件不少，爲了提速，你能夠把上面代碼改成多線程。
建立消極圖片列表：
|
1
2
3
4
5
6
7
|
import os
import numpy as np
with open('neg.txt', 'w') as f:
for img in os.listdir('neg'):
line = 'neg/'+img+'\n'
f.write(line)
|
建立的neg.txt內容以下：
我下載了2000+圖片
製做」積極」圖像
我使用OpenCV提供的opencv_createsamples命令建立pos.txt文件。它會把要識別的圖片嵌入到消極圖像中，容許咱們快速建立」積極」圖像：
|
1
|
$ opencv_createsamples -img mouse.jpg -bg neg.txt -info pos.txt -maxxangle 0.5 -maxyangle -0.5 -maxzangle 0.5 -num 2000
|
生成的pos.txt文件：
第一列表明「積極」圖像路徑；後面數字表明圖像中有幾個要識別對象和對象所在位置
你能夠看看生成的「積極」圖像，這些圖像中嵌入了要識別的鼠標。
上面的」積極圖像」是自動生成的，這要是手工製做，那工做量可想而知。
建立向量文件
無論你用什麼方法制做」積極」圖像，都須要把它轉換爲向量格式：
|
1
|
$ opencv_createsamples -info pos.txt -num 2000 -w 20 -h 30 -vec pos.vec
|
開始訓練
|
1
2
|
$ mkdir data
$ opencv_traincascade -data data -vec pos.vec -bg neg.txt -numPos 1800 -numNeg 900 -numStages 15 -w 20 -h 30 # pos通常是neg的1倍
|
大概須要幾個小時，我電腦不給力，上面參數設置的都比較小。
訓練完成以後生成的haar分類器(cascade.xml)保存在data目錄。
測試生成的haar分類器
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
import cv2
mouse_haar = cv2.CascadeClassifier("data/cascade.xml")
cam = cv2.VideoCapture(0)
while True:
_, img = cam.read()
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#http://docs.opencv.org/2.4/modules/objdetect/doc/cascade_classification.html
mouse = mouse_haar.detectMultiScale(gray_img, 1.2, 3) # 調整參數
for mouse_x,mouse_y,mouse_w,mouse_h in mouse:
cv2.rectangle(img, (mouse_x, mouse_y), (mouse_x+mouse_w, mouse_y+mouse_h), (0,255,0), 2)
cv2.imshow('img', img)
key = cv2.waitKey(30) & 0xff
if key == 27:
break
cam.release()
cv2.destroyAllWindows()
|