2. 程式人生 > >OpenCV——人臉識別模型訓練（2）

OpenCV——人臉識別模型訓練（2）

阿新 • • 發佈：2019-01-04

在之前的部落格OpenCV——人臉識別資料處理（1）之中，已經下載了ORL人臉資料庫，並且為了識別自己的人臉寫了一個拍照程式自拍。之後對拍的照片進行人臉識別和提取，最後我們得到了一個包含自己的人臉照片的資料夾s41。在部落格的最後我們提到了一個非常重要的檔案——at.txt。

一、csv檔案的生成

當我們寫人臉模型的訓練程式的時候，我們需要讀取人臉和人臉對應的標籤。直接在資料庫中讀取顯然是低效的。所以我們用csv檔案讀取。csv檔案中包含兩方面的內容，一是每一張圖片的位置所在，二是每一個人臉對應的標籤，就是為每一個人編號。這個at.txt就是我們需要的csv檔案。生成之後它裡面是這個樣子的：這裡寫圖片描述


前面是圖片的位置，後面是圖片所屬人臉的人的標籤。

要生成這樣一個檔案直接用手工的方式一個一個輸入顯然不可取的，畢竟這裡有400多張圖片。而且這種重複性的工作估計也沒人想去做。所以我們可以用命令列的方式簡化工作量；或者用opencv自帶的Python指令碼來自動生成。

命令列方式是這樣的。比如我的資料集在C:\Users\bingbuyu\Downloads\att_faces資料夾下面，我就用下面兩行命令：這裡寫圖片描述然後資料集資料夾下面就多出了一個at.txt檔案，但是現在是隻有路徑沒有標籤的。像下面這樣：這裡寫圖片描述
標籤需要手動敲上去。。。也挺麻煩的。

好在opencv教程裡面為我們提供了自動生成csv檔案的指令碼。路徑類似這樣：F:\opencv\sources\modules\contrib\doc\facerec\src\create_csv.py。我不知道怎麼用命令列引數的形式執行Python指令碼，所以只能把程式碼裡面的BASE_PATH手動的改成自己的資料集路徑，改完大致是這樣：

#!/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:  
#  
#  [email protected]:~/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()

然後執行這個指令碼就可以生成一個既有路徑又有標籤的at.txt了。

二、訓練模型

現在資料集、csv檔案都已經準備好了。接下來要做的就是訓練模型了。

這裡我們用到了opencv的Facerecognizer類。opencv中所有的人臉識別模型都是來源於這個類，這個類為所有人臉識別演算法提供了一種通用的介面。文件裡的一個小段包含了我們接下來要用到的幾個函式：
這裡寫圖片描述
OpenCV 自帶了三個人臉識別演算法：Eigenfaces，Fisherfaces 和區域性二值模式直方圖 (LBPH)。這裡先不去深究這些演算法的具體內容，直接用就是了。如果有興趣可以去看相關論文。接下來就分別訓練這三種人臉模型。這個時候就能體現出Facerecognizer類的強大了。因為每一種模型的訓練只需要三行程式碼

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);

當然在這之前要先把之前圖片和標籤提取出來。這時候就是at.txt派上用場的時候了。

//使用CSV檔案去讀影象和標籤，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()));  
        }  
    }  
}

在模型訓練好之後我們拿資料集中的最後一張圖片做一個測試，看看結果如何。

    Mat testSample = images[images.size() - 1];  
    int testLabel = labels[labels.size() - 1];  

<span style="white-space:pre">    </span>//。。。。這裡省略部分程式碼。。。。。。。。  
    // 下面對測試影象進行預測，predictedLabel是預測標籤結果  
    int predictedLabel = model->predict(testSample);  
    int predictedLabel1 = model1->predict(testSample);  
    int predictedLabel2 = model2->predict(testSample);  

    // 還有一種呼叫方式，可以獲取結果同時得到閾值:  
    //      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;

由於本來的資料集中是40個人，加上自己的人臉集就是41個。標籤是從0開始標的，所以在這裡我是第40個人。也即是說Actual class應該40。Predicted class也應該是40才說明預測準確。這裡我們可以看到結果：

這裡寫圖片描述
結果正確。

模型訓練的全部程式碼：

//#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();  
    // 建立和返回一個歸一化後的影象矩陣:  
    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檔案去讀影象和標籤，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()   
{  

    //讀取你的CSV檔案路徑.  
    //string fn_csv = string(argv[1]);  
    string fn_csv = "at.txt";  

    // 2個容器來存放影象資料和對應的標籤  
    vector<Mat> images;  
    vector<int> labels;  
    // 讀取資料. 如果檔案不合法就會出錯  
    // 輸入的檔名已經有了.  
    try  
    {  
        read_csv(fn_csv, images, labels);  
    }  
    catch (cv::Exception& e)  
    {  
        cerr << "Error opening file \"" << fn_csv << "\". Reason: " << e.msg << endl;  
        // 檔案有問題，我們啥也做不了了，退出了  
        exit(1);  
    }  
    // 如果沒有讀取到足夠圖片，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);  
    }  

    // 下面的幾行程式碼僅僅是從你的資料集中移除最後一張圖片  
    //[gm:自然這裡需要根據自己的需要修改，他這裡簡化了很多問題]  
    Mat testSample = images[images.size() - 1];  
    int testLabel = labels[labels.size() - 1];  
    images.pop_back();  
    labels.pop_back();  
    // 下面幾行建立了一個特徵臉模型用於人臉識別，  
    // 通過CSV檔案讀取的影象和標籤訓練它。  
    // T這裡是一個完整的PCA變換  
    //如果你只想保留10個主成分，使用如下程式碼  
    //      cv::createEigenFaceRecognizer(10);  
    //  
    // 如果你還希望使用置信度閾值來初始化，使用以下語句：  
    //      cv::createEigenFaceRecognizer(10, 123.0);  
    //  
    // 如果你使用所有特徵並且使用一個閾值，使用以下語句：  
    //      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");  

    // 下面對測試影象進行預測，predictedLabel是預測標籤結果  
    int predictedLabel = model->predict(testSample);  
    int predictedLabel1 = model1->predict(testSample);  
    int predictedLabel2 = model2->predict(testSample);  

    // 還有一種呼叫方式，可以獲取結果同時得到閾值:  
    //      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;  
}

本文由@星沉閣冰不語出品，轉載請註明作者和出處。

學習有益，進而不止。

相關推薦

OpenCV——人臉識別模型訓練（2）

在之前的部落格OpenCV——人臉識別資料處理（1）之中，已經下載了ORL人臉資料庫，並且為了識別自己的人臉寫了一個拍照程式自拍。之後對拍的照片進行人臉識別和提取，最後我們得到了一個包含自己的人臉照片的資料夾s41。在部落格的最後我們提到了一個非常重要的檔案——

(人臉識別2-5)——人臉識別模型訓練集處理

人臉識別模型訓練集處理 前面已經實現將人臉拍攝下來儲存在traindata資料夾內，但是這還不夠，我們需要對測試圖片進行大小的調整，因為有些圖片的格式長短不一樣，這樣對於後面我們訓練模型不方便處理，而且較大的圖片檔案處理運算量也非常大。 這裡再次說一下

Spark之訓練分類模型練習（2）

上接博文。 1 改進模型及引數調優 1.1 數值特徵標準化 使用RowMatrix類計算列的統計量。每一行為某一樣本的特徵向量 import org.apache.spark.mllib.linalg.distributed.RowMatrix

人臉識別特徵提取（LBP）及其opencv實現

        LBP是一種簡單，有效的紋理分類的特徵提取演算法。LBP運算元是由Ojala等人於1996年提出的，主要的論文是"Multiresolution gray-scale and rotation invariant texture classification

OpenCV人臉識別的原理 （原文完整版）

http://www.educity.cn/wenda/358439.html “人臉識別”是一個在計算機視覺和生物特徵識別領域十分活躍的話題。這個主題已經被給力地研究了25年，並且最終在安全、機器人學、人機互動、數碼攝像機、遊戲和娛樂領域得到了廣泛應用。 　　“人臉

8/11 TF聽力及閱讀訓練（2）

以及 練習 原理 最好的 什麽是 視頻 密度 並且 能夠 什麽是聽力訓練，什麽是訓練。 有一篇知乎的回答非常好，我很喜歡。 作者：梁躍鏈接：https://www.zhihu.com/question/20407472/answer/83390431來源：知乎著作權歸作者所

【AI基礎】python:openCV——圖像算術運算（2）：按位運算

按位運算 openCV 按位運算 按位操作有：AND，OR，NOT，XOR 等。當我們提取圖像的 一部分，選擇非矩形 ROI 時這些操作會很有用，常用於Logo 投射。 本節操作思路：通過 threshold 函數將圖片 固定閾值二值化，定義：圖像的二值化，就是將圖像上的像素點的灰度值設置為0或25

Visual Studio AI 離線模型訓練（Windows10）

tensor 人工智能 文件夾 ima 結束 als ref 運行 註意事項 一、序 環境搭建：【查看】 在環境搭建過程中，通過git clone獲取到samples-for-ai文件夾，其子文件夾examples目錄如下。 以Tensorflow作為樣例模型。 參考博客

目標檢測之模型篇（2）【RRPN】

文章目錄 1. 前言 2. 實現 2.1 關鍵idea 2.2 模型結構 2.3 具體細節 1.Rotated Bounding Box Representation-旋轉矩形框的表示 2.Rotati

測量人臉顏值的標準有哪些，人臉影象演算法研究（2）

今天帶來一篇人臉識別中的顏值打分技術，所謂“顏值”，基於什麼標準來評判高低呢？既然是個“數值”，那到底能不能“測量”一下？ 概述 近年來隨著人臉識別技術的發展，顏值打分也受到了廣泛的關注與研究。可即使人來打分，大家也口味各異，御姐蘿莉各有所愛。計算機又豈能判

機器人視覺專案：視覺檢測識別+機器人跟隨（2）

目標：在TX2上執行人體檢測和跟蹤演算法 主體方案：人體檢測[yolov3] + 跟蹤[KCF] 現狀 yolov3在tx2的幀率是2fps，yolov3-tiny能達到15~20fps。 KCF很快，但是很容易跟丟。 目前用的是RGB影象，

opencv 人臉識別 二 訓練和識別

                上一篇中我們對訓練資料做了一些預處理，檢測出人臉並儲存在\pic\color\x資料夾下（x=1,2,3,...類別號），本文做訓練和識別。為了識別，首先將人臉訓練資料 轉為灰度、對齊、歸一化，再放入分類器（EigenFaceRecognizer）,最後用訓練出的model進行

開源人臉識別引擎SeetaFace（一）

    SeetaFace Engine是一個開源的C++人臉識別引擎，它可以在不依賴第三方的條件下載CPU上執行。他包含三個關鍵部分，即：SeetaFace Detection，SeetaFace Alignment和SeetaFace Identification，這三個步驟對建造一個真實可靠的人臉

迴圈神經網路的訓練（2）

權重梯度的計算 現在，我們終於來到了BPTT演算法的最後一步：計算每個權重的梯度。 首先，我們計算誤差函式E對權重矩陣W的梯度∂E∂W。 上圖展示了我們到目前為止，在前兩步中已經計算得到的量，包括每個時刻t 迴圈層的輸出值st，以及誤差項δt。 回憶一下我們在文章

django 模型層（2）

Django 模型層(2) 多表操作---模型之間的關係  1 一對一：作者----作者詳細資訊 2 一對多：書籍----出版社 3 多對多：書籍----作者   一  建立模型(主鍵(id)自動建立) 沒有任何關係的一張表的建立

TensorFlow框架做實時人臉識別小專案（二）

在第一部分中，分析了整個小專案的體系，重點討論了用於人臉檢測對齊的mtcnn網路的實現原理，並利用膝上型電腦自帶的攝像頭進行了測試。今天在這裡要討論的重點是人臉識別中的核心部分——facenet網路。facenet是Google開源的人臉識別框架，它的作用是把輸入的人臉影象對

人臉識別最新資料庫（表情）彙總

人臉表情識別就是讓計算機識別人臉的各種表情，進而分析表情所代表的情緒，意圖等。人臉表情識別可以用在測謊，醫學輔助診斷，人機互動方面。 與人臉識別相比，人臉表情特徵更加細微，而且受各種因素的干擾也更大。目前人臉表情識別的研究都是在資料庫上做測試。下面介紹幾個比較常見的資料庫

TensorFlow框架做實時人臉識別小專案（一）

人臉識別是深度學習最有價值也是最成熟的的應用之一。在研究環境下，人臉識別已經趕上甚至超過了人工識別的精度。一般來說，一個完整的人臉識別專案會包括兩大部分：人臉檢測與人臉識別。下面就我近期自己練習寫的一個“粗糙”的人臉識別小專案講起，也算是做一個學習記錄。首先 ，整個專案的框架

人臉識別:特徵臉（Eigenface）

Eigenface就是將人臉影象進行編碼，對映到低維子空間上，在低維空間計算兩幅人臉影象的距離，以此來進行人臉識別。對映到低維子空間的方法採用主成分分析（Principal Component Analysis，PCA） １．將人臉影象（均為灰度圖）拉成一個列

Django之模型層（2）

Django之模型層（2） 一、建立模型 例項：我們來假定下面這些概念，欄位和關係。 作者模型：一個作者由姓名和年齡。 作者詳細模型：把作者的詳情放到詳情表，包含生日，手機號，家庭住址等資訊。作者詳情模型和作者模型之間是一對一的關係（one-to-one）。 出版社模型：出版商有名稱，所在城市以及email。