赞
踩
本文由@星沉阁冰不语出品,转载请注明作者和出处。
文章链接:http://blog.csdn.net/xingchenbingbuyu/article/details/51407336
微博:http://weibo.com/xingchenbing
在之前的博客人脸识别之一数据收集和预处理之中,已经下载了ORL人脸数据库,并且为了识别自己的人脸写了一个拍照程序自拍。之后对拍的照片进行人脸识别和提取,最后我们得到了一个包含自己的人脸照片的文件夹s41。在博客的最后我们提到了一个非常重要的文件——at.txt。
一、csv文件的生成
当我们写人脸模型的训练程序的时候,我们需要读取人脸和人脸对应的标签。直接在数据库中读取显然是低效的。所以我们用csv文件读取。csv文件中包含两方面的内容,一是每一张图片的位置所在,二是每一个人脸对应的标签,就是为每一个人编号。这个at.txt就是我们需要的csv文件。生成之后它里面是这个样子的:
前面是图片的位置,后面是图片所属人脸的人的标签。
要生成这样一个文件直接用手工的方式一个一个输入显然不可取的,毕竟这里有400多张图片。而且这种重复性的工作估计也没人想去做。所以我们可以用命令行的方式简化工作量;或者用opencv自带的Python脚本来自动生成。
命令行方式是这样的。比如我的数据集在C:\Users\bingbuyu\Downloads\att_faces文件夹下面,我就用下面两行命令:
然后数据集文件夹下面就多出了一个at.txt文件,但是现在是只有路径没有标签的。像下面这样:
标签需要手动敲上去。。。也挺麻烦的。
好在opencv教程里面为我们提供了自动生成csv文件的脚本。路径类似这样:F:\opencv\sources\modules\contrib\doc\facerec\src\create_csv.py。我不知道怎么用命令行参数的形式运行Python脚本,所以只能把代码里面的BASE_PATH手动的改成自己的数据集路径,改完大致是这样:
- #!/usr/bin/env python
-
- import sys
- import os.path
-
- # This is a tiny script to help you creating a CSV file from a face
- # database with a similar hierarchie:
- #
- # philipp@mango:~/facerec/data/at$ tree
- # .
- # |-- README
- # |-- s1
- # | |-- 1.pgm
- # | |-- ...
- # | |-- 10.pgm
- # |-- s2
- # | |-- 1.pgm
- # | |-- ...
- # | |-- 10.pgm
- # ...
- # |-- s40
- # | |-- 1.pgm
- # | |-- ...
- # | |-- 10.pgm
- #
-
- if __name__ == "__main__":
-
- #if len(sys.argv) != 2:
- # print "usage: create_csv <base_path>"
- # sys.exit(1)
-
- #BASE_PATH=sys.argv[1]
- BASE_PATH="C:/Users/bingbuyu/Downloads/att_faces"
-
- SEPARATOR=";"
-
- fh = open("../etc/at.txt",'w')
-
- label = 0
- for dirname, dirnames, filenames in os.walk(BASE_PATH):
- for subdirname in dirnames:
- subject_path = os.path.join(dirname, subdirname)
- for filename in os.listdir(subject_path):
- abs_path = "%s/%s" % (subject_path, filename)
- print "%s%s%d" % (abs_path, SEPARATOR, label)
- fh.write(abs_path)
- fh.write(SEPARATOR)
- fh.write(str(label))
- fh.write("\n")
- label = label + 1
- fh.close()
二、训练模型
现在数据集、csv文件都已经准备好了。接下来要做的就是训练模型了。
这里我们用到了opencv的Facerecognizer类。opencv中所有的人脸识别模型都是来源于这个类,这个类为所有人脸识别算法提供了一种通用的接口。文档里的一个小段包含了我们接下来要用到的几个函数:
OpenCV 自带了三个人脸识别算法:Eigenfaces,Fisherfaces 和局部二值模式直方图 (LBPH)。这里先不去深究这些算法的具体内容,直接用就是了。如果有兴趣可以去看相关论文。接下来就分别训练这三种人脸模型。这个时候就能体现出Facerecognizer类的强大了。因为每一种模型的训练只需要三行代码:
- Ptr<FaceRecognizer> model = createEigenFaceRecognizer();
- model->train(images, labels);
- model->save("MyFacePCAModel.xml");
-
- Ptr<FaceRecognizer> model1 = createFisherFaceRecognizer();
- model1->train(images, labels);
- model1->save("MyFaceFisherModel.xml");
-
- Ptr<FaceRecognizer> model2 = createLBPHFaceRecognizer();
- model2->train(images, labels);
- model2->save("MyFaceLBPHModel.xml");
- //使用CSV文件去读图像和标签,主要使用stringstream和getline方法
- static void read_csv(const string& filename, vector<Mat>& images, vector<int>& labels, char separator = ';') {
- std::ifstream file(filename.c_str(), ifstream::in);
- if (!file) {
- string error_message = "No valid input file was given, please check the given filename.";
- CV_Error(CV_StsBadArg, error_message);
- }
- string line, path, classlabel;
- while (getline(file, line)) {
- stringstream liness(line);
- getline(liness, path, separator);
- getline(liness, classlabel);
- if (!path.empty() && !classlabel.empty()) {
- images.push_back(imread(path, 0));
- labels.push_back(atoi(classlabel.c_str()));
- }
- }
- }
- Mat testSample = images[images.size() - 1];
- int testLabel = labels[labels.size() - 1];
-
- <span style="white-space:pre"> </span>//。。。。这里省略部分代码。。。。。。。。
- // 下面对测试图像进行预测,predictedLabel是预测标签结果
- int predictedLabel = model->predict(testSample);
- int predictedLabel1 = model1->predict(testSample);
- int predictedLabel2 = model2->predict(testSample);
-
- // 还有一种调用方式,可以获取结果同时得到阈值:
- // int predictedLabel = -1;
- // double confidence = 0.0;
- // model->predict(testSample, predictedLabel, confidence);
-
- string result_message = format("Predicted class = %d / Actual class = %d.", predictedLabel, testLabel);
- string result_message1 = format("Predicted class = %d / Actual class = %d.", predictedLabel1, testLabel);
- string result_message2 = format("Predicted class = %d / Actual class = %d.", predictedLabel2, testLabel);
- cout << result_message << endl;
- cout << result_message1 << endl;
- cout << result_message2 << endl;
由于本来的数据集中是40个人,加上自己的人脸集就是41个。标签是从0开始标的,所以在这里我是第40个人。也即是说Actual class应该40。Predicted class也应该是40才说明预测准确。这里我们可以看到结果:
结果正确。
模型训练的全部代码:
- //#include "stdafx.h"
- #include <opencv2/opencv.hpp>
- #include <iostream>
- #include <fstream>
- #include <sstream>
- #include <math.h>
-
- using namespace cv;
- using namespace std;
-
- static Mat norm_0_255(InputArray _src) {
- Mat src = _src.getMat();
- // 创建和返回一个归一化后的图像矩阵:
- Mat dst;
- switch (src.channels()) {
- case1:
- cv::normalize(_src, dst, 0, 255, NORM_MINMAX, CV_8UC1);
- break;
- case3:
- cv::normalize(_src, dst, 0, 255, NORM_MINMAX, CV_8UC3);
- break;
- default:
- src.copyTo(dst);
- break;
- }
- return dst;
- }
-
- //使用CSV文件去读图像和标签,主要使用stringstream和getline方法
- static void read_csv(const string& filename, vector<Mat>& images, vector<int>& labels, char separator = ';') {
- std::ifstream file(filename.c_str(), ifstream::in);
- if (!file) {
- string error_message = "No valid input file was given, please check the given filename.";
- CV_Error(CV_StsBadArg, error_message);
- }
- string line, path, classlabel;
- while (getline(file, line)) {
- stringstream liness(line);
- getline(liness, path, separator);
- getline(liness, classlabel);
- if (!path.empty() && !classlabel.empty()) {
- images.push_back(imread(path, 0));
- labels.push_back(atoi(classlabel.c_str()));
- }
- }
- }
-
-
- int main()
- {
-
- //读取你的CSV文件路径.
- //string fn_csv = string(argv[1]);
- string fn_csv = "at.txt";
-
- // 2个容器来存放图像数据和对应的标签
- vector<Mat> images;
- vector<int> labels;
- // 读取数据. 如果文件不合法就会出错
- // 输入的文件名已经有了.
- try
- {
- read_csv(fn_csv, images, labels);
- }
- catch (cv::Exception& e)
- {
- cerr << "Error opening file \"" << fn_csv << "\". Reason: " << e.msg << endl;
- // 文件有问题,我们啥也做不了了,退出了
- exit(1);
- }
- // 如果没有读取到足够图片,也退出.
- if (images.size() <= 1) {
- string error_message = "This demo needs at least 2 images to work. Please add more images to your data set!";
- CV_Error(CV_StsError, error_message);
- }
-
- // 下面的几行代码仅仅是从你的数据集中移除最后一张图片
- //[gm:自然这里需要根据自己的需要修改,他这里简化了很多问题]
- Mat testSample = images[images.size() - 1];
- int testLabel = labels[labels.size() - 1];
- images.pop_back();
- labels.pop_back();
- // 下面几行创建了一个特征脸模型用于人脸识别,
- // 通过CSV文件读取的图像和标签训练它。
- // T这里是一个完整的PCA变换
- //如果你只想保留10个主成分,使用如下代码
- // cv::createEigenFaceRecognizer(10);
- //
- // 如果你还希望使用置信度阈值来初始化,使用以下语句:
- // cv::createEigenFaceRecognizer(10, 123.0);
- //
- // 如果你使用所有特征并且使用一个阈值,使用以下语句:
- // cv::createEigenFaceRecognizer(0, 123.0);
-
- Ptr<FaceRecognizer> model = createEigenFaceRecognizer();
- model->train(images, labels);
- model->save("MyFacePCAModel.xml");
-
- Ptr<FaceRecognizer> model1 = createFisherFaceRecognizer();
- model1->train(images, labels);
- model1->save("MyFaceFisherModel.xml");
-
- Ptr<FaceRecognizer> model2 = createLBPHFaceRecognizer();
- model2->train(images, labels);
- model2->save("MyFaceLBPHModel.xml");
-
- // 下面对测试图像进行预测,predictedLabel是预测标签结果
- int predictedLabel = model->predict(testSample);
- int predictedLabel1 = model1->predict(testSample);
- int predictedLabel2 = model2->predict(testSample);
-
- // 还有一种调用方式,可以获取结果同时得到阈值:
- // int predictedLabel = -1;
- // double confidence = 0.0;
- // model->predict(testSample, predictedLabel, confidence);
-
- string result_message = format("Predicted class = %d / Actual class = %d.", predictedLabel, testLabel);
- string result_message1 = format("Predicted class = %d / Actual class = %d.", predictedLabel1, testLabel);
- string result_message2 = format("Predicted class = %d / Actual class = %d.", predictedLabel2, testLabel);
- cout << result_message << endl;
- cout << result_message1 << endl;
- cout << result_message2 << endl;
-
- waitKey(0);
- return 0;
- }
-----------------------------------------------
更新:opencv3版本的代码有所改动,请参考较新的博客提示。
-----------------------------------------------
知识星球
除了平时发文章之外,也会发一些平时学习过程中其他的参考资料和代码,欢迎加入。
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。