mirror of
https://github.com/LCTT/TranslateProject.git
synced 2025-01-13 22:30:37 +08:00
d62ef3e803
* sources/tech/20160609 How to record your terminal session on Linux.md * translated/tech/20160609 How to record your terminal session on Linux.md * sources/tech/20160620 Detecting cats in images with OpenCV.md * sources/tech/20160620 Detecting cats in images with OpenCV.md * sources/tech/20160620 Detecting cats in images with OpenCV.md * sources/tech/20160620 Detecting cats in images with OpenCV.md * sources/tech/20160620 Detecting cats in images with OpenCV.md * translated/tech/20160620 Detecting cats in images with OpenCV.md * remove source
229 lines
11 KiB
Markdown
229 lines
11 KiB
Markdown
使用 OpenCV 识别图片中的猫
|
||
=======================================
|
||
|
||
|
||
|
||
你知道 OpenCV 可以识别在图片中识别猫脸吗？还是在开箱即用的情况下，无需多余的附件。
|
||
|
||
我也不知道。
|
||
|
||
但是在看完'[Kendrick Tan broke the story][1]'这个故事之后, 我需要亲自体验一下...去看看到OpenCV 是如何在我没有察觉到的情况下，将这一个功能添加进了他的软件库。
|
||
|
||
作为这个博客的大纲，我将会展示如何使用 OpenCV 的猫检测器在图片中识别猫脸。同样的，你也可以在视频流中使用该技术。
|
||
|
||
> 想找这篇博客的源码？[请点这][2]。
|
||
|
||
|
||
### 使用 OpenCV 在图片中检测猫
|
||
|
||
如果你看一眼[OpenCV 的代码库][3]，尤其是在[haarcascades 目录][4](OpenCV 用来保存处理他对多种目标检测的Cascade预先训练的级联图像分类)， 你将会注意到这两个文件:
|
||
|
||
- haarcascade_frontalcatface.xml
|
||
- haarcascade_frontalcatface_extended.xml
|
||
|
||
这两个 Haar Cascade 文件都将被用来在图片中检测猫脸。实际上，我使用了相同的方式来生成这篇博客顶端的图片。
|
||
|
||
在做了一些调查工作之后，我发现训练这些记过并且将其提供给 OpenCV 仓库的是鼎鼎大名的 [Joseph Howse][5]，他在计算机视觉领域有着很高的声望。
|
||
|
||
在博客的剩余部分，我将会展示给你如何使用 Howse 的 Haar 级联模型来检测猫。
|
||
|
||
让我们开工。新建一个叫 cat_detector.py 的文件，并且输入如下的代码:
|
||
|
||
### 使用 OpenCVPython 来检测猫
|
||
|
||
```
|
||
# import the necessary packages
|
||
import argparse
|
||
import cv2
|
||
|
||
# construct the argument parse and parse the arguments
|
||
ap = argparse.ArgumentParser()
|
||
ap.add_argument("-i", "--image", required=True,
|
||
help="path to the input image")
|
||
ap.add_argument("-c", "--cascade",
|
||
default="haarcascade_frontalcatface.xml",
|
||
help="path to cat detector haar cascade")
|
||
args = vars(ap.parse_args())
|
||
```
|
||
|
||
第2和第3行主要是导入了必要的 python 包。6-12行主要是我们的命令行参数。我们在这只需要使用单独的参数'--image'。
|
||
|
||
我们可以指定一个 Haar cascade 的路径通过 `--cascade` 参数。默认使用 `haarcascades_frontalcatface.xml`，同时需要保证这个文件和你的 `cat_detector.py` 在同一目录下。
|
||
|
||
注意:我已经打包了猫的检测代码，还有在这个教程里的样本图片。你可以在博客的'Downloads' 部分下载到。如果你是刚刚接触 Python+OpenCV(或者 Haar 级联模型), 我会建议你下载 zip 压缩包，这个会方便你进行操作。
|
||
|
||
接下来，就是检测猫的时刻了:
|
||
|
||
```
|
||
# load the input image and convert it to grayscale
|
||
image = cv2.imread(args["image"])
|
||
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
|
||
|
||
# load the cat detector Haar cascade, then detect cat faces
|
||
# in the input image
|
||
detector = cv2.CascadeClassifier(args["cascade"])
|
||
rects = detector.detectMultiScale(gray, scaleFactor=1.3,
|
||
minNeighbors=10, minSize=(75, 75))
|
||
```
|
||
|
||
在15，16行，我们从硬盘上读取了图片，并且进行灰度化(一个常用的图片预处理，方便 Haar cascade 进行分类，尽管不是必须)
|
||
|
||
20行，我们加载了Haar casacade，即猫检测器，并且初始化了 cv2.CascadeClassifier 对象。
|
||
|
||
使用 OpenCV 检测猫脸的步骤是21，22行，通过调用 detectMultiScale 方法。我们使用四个参数来调用。包括：
|
||
|
||
1. 灰度化的图片，即样本图片。
|
||
2. scaleFactor 参数，[图片金字塔][6]使用的检测猫脸时的检测粒度。一个更大的粒度将会加快检测的速度，但是会对准确性产生影响。相反的，一个更小的粒度将会影响检测的时间，但是会增加正确性。但是，细粒度也会增加错误的检测数量。你可以看博客的 'Haar 级联模型笔记' 部分来获得更多的信息。
|
||
3. minNeighbors 参数控制了检测的最小数量,即在给定区域最小的检测猫脸的次数。这个参数很好的可以排除错误的检测结果。
|
||
4. 最后，minSize 参数很好的自我说明了用途。即最后图片的最小大小，这个例子中就是 75\*75
|
||
|
||
detectMultiScale 函数 return rects，这是一个4维数组链表。这些item 中包含了猫脸的(x,y)坐标值，还有宽度，高度。
|
||
|
||
最后，让我们在图片上画下这些矩形来标识猫脸：
|
||
|
||
```
|
||
# loop over the cat faces and draw a rectangle surrounding each
|
||
for (i, (x, y, w, h)) in enumerate(rects):
|
||
cv2.rectangle(image, (x, y), (x + w, y + h), (0, 0, 255), 2)
|
||
cv2.putText(image, "Cat #{}".format(i + 1), (x, y - 10),
|
||
cv2.FONT_HERSHEY_SIMPLEX, 0.55, (0, 0, 255), 2)
|
||
|
||
# show the detected cat faces
|
||
cv2.imshow("Cat Faces", image)
|
||
cv2.waitKey(0)
|
||
```
|
||
|
||
给相关的区域(举个例子，rects)，我们在25行依次历遍它。
|
||
|
||
在26行，我们在每张猫脸的周围画上一个矩形。27，28行展示了一个整数，即图片中猫的数量。
|
||
|
||
最后，31，32行在屏幕上展示了输出的图片。
|
||
|
||
### 猫检测结果
|
||
|
||
为了测试我们的 OpenCV 毛检测器，可以在文章的最后，下载教程的源码。
|
||
|
||
然后，在你解压缩之后，你将会得到如下的三个文件/目录:
|
||
|
||
1. cat_detector.py:我们的主程序
|
||
2. haarcascade_frontalcatface.xml: Haar cascade 猫检测资源
|
||
3. images:我们将会使用的检测图片目录。
|
||
|
||
到这一步，执行以下的命令:
|
||
|
||
使用 OpenCVShell 检测猫。
|
||
|
||
```
|
||
$ python cat_detector.py --image images/cat_01.jpg
|
||
```
|
||
|
||
|
||
>1. 在图片中检测猫脸，甚至是猫的一部分。
|
||
|
||
注意，我们已经可以检测猫脸了，即使他的其余部分是被隐藏的。
|
||
|
||
试下另外的一张图片:
|
||
|
||
```
|
||
python cat_detector.py --image images/cat_02.jpg
|
||
```
|
||
|
||
|
||
>2. 第二个例子就是在略微不同的猫脸中检测。
|
||
|
||
这次的猫脸和第一次的明显不同，因为它在'Meow'的中央。这种情况下，我们依旧能检测到正确的猫脸。
|
||
|
||
这张图片的结果也是正确的:
|
||
|
||
```
|
||
$ python cat_detector.py --image images/cat_03.jpg
|
||
```
|
||
|
||
|
||
>3. 使用 OpenCV 和 python 检测猫脸
|
||
|
||
我们最后的一个样例就是在一张图中检测多张猫脸:
|
||
|
||
```
|
||
$ python cat_detector.py --image images/cat_04.jpg
|
||
```
|
||
|
||
|
||
>Figure 4: Detecting multiple cats in the same image with OpenCV
|
||
>4. 在同一张图片中使用 OpenCV 检测多只猫
|
||
|
||
注意，Haar cascade 的返回值并不是有序的。这种情况下，中间的那只猫会被标记成第三只。你可以通过判断他们的(x, y)坐标来自己排序。
|
||
|
||
#### 精度的 Tips
|
||
|
||
xml 文件中的注释，非常重要，Joseph Hower 提到了猫 脸检测器有可能会将人脸识别成猫脸。
|
||
|
||
这种情况下，他推荐使用两种检测器(人脸&猫脸)，然后将出现在人脸识别结果中的结果剔除掉。
|
||
|
||
#### Haar 级联模型注意事项
|
||
|
||
这个方法首先出现在 Paul Viola 和 Michael Jones 2001 年发布的 [Rapid Object Detection using a Boosted Cascade of Simple Features] 论文中。现在它已经成为了计算机识别领域引用最多的成果之一。
|
||
|
||
这个算法能够识别图片中的对象，无论地点，规模。并且，他也能在现有的硬件条件下实现实时计算。
|
||
|
||
在他们的论文中，Viola 和 Jones 关注在训练人脸检测器；但是，这个框架也能用来检测各类事物，如汽车，香蕉，路标等等。
|
||
|
||
#### 有问题？
|
||
|
||
Haar 级联模型最大的问题就是如何确定 detectMultiScale 方法的参数正确。特别是 scaleFactor 和 minNeighbors 参数。你很容易陷入，一张一张图片调参数的坑，这个就是该模型很难被实用化的原因。
|
||
|
||
这个 scaleFactor 变量控制了用来检测图片各种对象的[图像棱锥图][8]。如何参数过大，你就会得到更少的特征值，这会导致你无法在图层中识别一些目标。
|
||
|
||
换句话说，如果参数过低，你会检测出过多的图层。这虽然可以能帮助你检测更多的对象。但是他会造成计算速度的降低还会提高错误率。
|
||
|
||
为了避免这个，我们通常使用[Histogram of Oriented Gradients + Linear SVM detection][9]。
|
||
|
||
HOG + 线性 SVM 框架，它的参数更加容易的进行调优。而且也有更低的错误识别率，但是最大的缺点及时无法实时运算。
|
||
|
||
### 对对象识别感兴趣？并且希望了解更多？
|
||
|
||
|
||
>5. 在 PyImageSearch Gurus 课程中学习如何构建自定义的对象识别器。
|
||
|
||
如果你对学习如何训练自己的自定义对象识别器，请务必要去学习 PyImageSearch Gurus 的课程。
|
||
|
||
在这个课程中，我提供了15节课还有超过168页的教程，来教你如何从0开始构建自定义的对象识别器。你会掌握如何应用 HOG+线性 SVM 计算框架来构建自己的对象识别器。
|
||
|
||
### 总结
|
||
|
||
在这篇博客里，我们学习了如何使用默认的 Haar 级联模型来识别图片中的猫脸。这些 Haar casacades 是通过[Joseph Howse][9] 贡献给 OpenCV 项目的。我是在[这篇文章][10]中开始注意到这个。
|
||
|
||
尽管 Haar 级联模型相当有用，但是我们也经常用 HOG 和 线性 SVM 替代。因为后者相对而言更容易使用，并且可以有效地降低错误的识别概率。
|
||
|
||
我也会在[在 PyImageSearch Gurus 的课程中][11]详细的讲述如何使用 HOG 和线性 SVM 对象识别器，来识别包括汽车，路标在内的各种事物。
|
||
|
||
不管怎样，我希望你享受这篇博客。
|
||
|
||
在你离开之前，确保你会使用这下面的表单注册 PyImageSearch Newsletter。这样你能收到最新的消息。
|
||
|
||
--------------------------------------------------------------------------------
|
||
|
||
via: http://www.pyimagesearch.com/2016/06/20/detecting-cats-in-images-with-opencv/
|
||
|
||
作者：[Adrian Rosebrock][a]
|
||
译者：[译者ID](https://github.com/MikeCoder)
|
||
校对：[校对者ID](https://github.com/校对者ID)
|
||
|
||
本文由 [LCTT](https://github.com/LCTT/TranslateProject) 原创编译，[Linux中国](https://linux.cn/) 荣誉推出
|
||
|
||
[a]: http://www.pyimagesearch.com/author/adrian/
|
||
[1]: http://kendricktan.github.io/find-cats-in-photos-using-computer-vision.html
|
||
[2]: http://www.pyimagesearch.com/2016/06/20/detecting-cats-in-images-with-opencv/#
|
||
[3]: https://github.com/Itseez/opencv
|
||
[4]: https://github.com/Itseez/opencv/tree/master/data/haarcascades
|
||
[5]: http://nummist.com/
|
||
[6]: http://www.pyimagesearch.com/2015/03/16/image-pyramids-with-python-and-opencv/
|
||
[7]: https://www.cs.cmu.edu/~efros/courses/LBMV07/Papers/viola-cvpr-01.pdf
|
||
[8]: http://www.pyimagesearch.com/2015/03/16/image-pyramids-with-python-and-opencv/
|
||
[9]: http://www.pyimagesearch.com/2014/11/10/histogram-oriented-gradients-object-detection/
|
||
[10]: http://kendricktan.github.io/find-cats-in-photos-using-computer-vision.html
|
||
[11]: https://www.pyimagesearch.com/pyimagesearch-gurus/
|
||
|
||
|
||
|