python+opencv實現(xiàn)人頭檢測

python+opencv實現(xiàn)人頭檢測

前段時間琢磨了下人頭檢測這個功能，現(xiàn)在有了初步的認知和體會，下面開始講下我在實現(xiàn)人頭檢測過程中遇到的坑和解決方法。

環(huán)境搭建：pycharm，python2.7，opencv2.7，numpy。

這些個環(huán)境都是前期準(zhǔn)備的，安裝和配置都挺方便的，不得不說這里就是python的各種功能的庫是真的多，前輩們真是值得膜拜。這里給出一個我下載那些庫的網(wǎng)站，python庫下載

下載了需要的庫用pip安裝就行。

進入正題，因為opencv只有現(xiàn)成的人臉識別特征分類器，但是沒有人頭識別的，所以需要自己訓(xùn)練一個。這里我采用的是HAAR特征訓(xùn)練分類器。看了很多這方面的博文，大多數(shù)用的HAAR特征，所以也就開始就打定主意使用這個特征來訓(xùn)練，后面也簡單了解了下HAAR特征和LBP特征，HAAR特征是將圖像中相同像素內(nèi)的白色部分減去黑色部分得到該區(qū)域的HAAR特征值，反應(yīng)了圖像的灰度變換情況；LBP特征則是將每個像素周圍看成一個3*3的正方形，將中心像素的值作為閥值，周圍8個點像素點與中心點做比較，若像素大于中心點則與中心像素作比較的點的LBP值置為1，反之為0。這樣就得到一個中心的LBP值，反應(yīng)區(qū)域的紋理信息。得到特征值后，用特征值作為分類依據(jù)訓(xùn)練分類器的事情就是那些個算法做的事情了，這里我就不發(fā)表拙見了。看看大牛寫的一篇文章吧，涉及到很多數(shù)學(xué)內(nèi)容，細細看還是會很有理解的。圖像特征提取。

接下來進行具體訓(xùn)練過程：

1.創(chuàng)建一個訓(xùn)練所用的文件夾，目錄結(jié)構(gòu)如下：

各目錄作用：

data：用于存放正樣本描述文件pos.vec，由opencv_createsemples.exe產(chǎn)生。

data1：用于存放訓(xùn)練生成的級聯(lián)分類器文件(casacade.xml)，以及訓(xùn)練各階段產(chǎn)生分類器(stages1.xml，stages2.xml等等)。

negdagta：用于存放負樣本文件。

posdata：用于存放正樣本文件。

最下面的那五個文件即是opencv所提供的訓(xùn)練所用算法的exe文件。可以在我的百度云分享里面下載：http://pan.baidu.com/s/1bpNCBj5

2.在正負樣本目錄下各自生成其數(shù)據(jù)文件:posdata.dat和negdata.dat。

命令為:

這樣正負樣本的數(shù)據(jù)文件都在其各自目錄下生成了，接下來進行修改數(shù)據(jù)文件。打開數(shù)據(jù)文件的編輯界面，刪掉數(shù)據(jù)文件最后面的posdata.dat，同理刪除負樣本數(shù)據(jù)文件里面的negdata.dat。如圖：

接下里修改數(shù)據(jù)文件成我這樣，posdata.dat：

negdata.dat：

解釋下 1 0 0 20 20這個參數(shù)的意思，1代表文件，0 0 20 20，是這個目錄下每一張圖片的坐標(biāo)，因為是二維的，而且我正樣本所有圖片全是20*20像素的，所以就是(0,0)點到(20,20)點，即是讀取圖片時，從左下角掃描到右上角。

注意：在負樣本的數(shù)據(jù)文件里面，要給每一個圖片文件加上他的相對地址，因為默認我們訓(xùn)練時，是在negdata的父目錄下進行，即是你創(chuàng)建的訓(xùn)練文件夾下進行。

3.準(zhǔn)備工作已經(jīng)完成，下面開始訓(xùn)練具體操作，首先用opecv_createsamples.exe生成樣本描述文件pos.vec。命令如下：

opencv_createsamples.exe -info posdata -vec data\pos.vec -num 你所需要創(chuàng)建的正樣本數(shù)量(一般為正樣本內(nèi)文件數(shù)目的0.9倍) -w 20 -h 20

生成了正樣本描述文件后，接下來就是用opencv_traincascade.exe進行分類器的生成。命令如下：

opencv_traincascade.exe -data data1 -vec data\pos.vec -bg 64negdata numPos 243 -numNeg 300 -minHitRate 0.9999 -maxFalseAlarmRate 0.5 -featureType HA

AR -numStages 20 -w 20 -h 20

各個參數(shù)的意思我這里就不贅述了，給一篇大牛寫的文章，大家自行參考。http://note.sonots.com/SciSoftware/haartraining.html#e134e74e

接著，等著他訓(xùn)練完成就行。

最后我來說下我訓(xùn)練過程中碰到的坑和解決的辦法：

1.訓(xùn)練參數(shù)中-bg，即負樣本路徑不正確，仔細檢查后就能解決。

2.訓(xùn)練參數(shù)中的-numPos,-numNeg，一定要比實際的正負樣本文件夾中樣本數(shù)目少，千萬不要強迫癥，不然就會在訓(xùn)練中途停止，并報如下錯誤：Assertion failed (elements_read == 1) in icvGetHaarTraininDataFromVecCallback，file..\opencv\apps\haartraining\cvhaartraining.cpp, line 1861”

3.正負樣本采集問題，開始我用的網(wǎng)上下的樣本庫訓(xùn)練，雖然樣本數(shù)量很多，但是正樣本質(zhì)量太差，導(dǎo)致訓(xùn)練結(jié)果一直很差，所以就想到了自己采集樣本的辦法，這樣就解決了這個問題。ps：可以自己寫個截圖工具來完成樣本采集工作，正樣本數(shù)量上的話，上千張就會有很好的效果了，一定注意要加些灰度處理后的正樣本圖片，會增加些精確度；負樣本的話，大概與正樣本的三倍，因為后面出現(xiàn)負樣本不足的情況，可以換一批負樣本接著訓(xùn)練。

4.訓(xùn)練到后面，訓(xùn)練終止，提示負樣本不足，這個問題是我碰到的最難解決的問題了，我的解決方法是，用新的負樣本替換掉negdata里面的負樣本文件，然后重新生成相應(yīng)的negdata.dat，接著用相同參數(shù)訓(xùn)練，這樣就相當(dāng)于boosting算法，能夠重新在新的負樣本中進行篩選，就能解決負樣本不足情況。這樣做還有個好處是，不用賦予-numNeg特別大的值，導(dǎo)致其他錯誤。

5.關(guān)于正負樣本比例問題，這個問題看你所需要的訓(xùn)練場景而論，如果你訓(xùn)練的分類器用于變化比較大的環(huán)境，建議你正負樣本比例至少是1:2；如果分類器用于環(huán)境變化較小的情況，就是我所面臨的場景，我的建議是1：1。

至此，我的樣本訓(xùn)練過程就完成了，最后，貼一張最終訓(xùn)練效果圖，這是訓(xùn)練了接近是個分類器后，最好的一個了，基本達到了要求，進一步提升精確度就需要在圖像預(yù)處理部分，和“去抖動”部分琢磨。

python+opencv實現(xiàn)人頭檢測相關(guān)教程

總結(jié)

以上是生活随笔為你收集整理的python人头识别_python+opencv实现人头检测的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。