基于OpenCV训练口罩检测数据集并测试

简介: 基于OpenCV训练口罩检测数据集并测试

0. 检测器初体验


由于这里需要opencv自带的xml文件,这里我用的是conda的虚拟环境,所以xml文件处于E:\anacanda\envs\pytorch\Lib\site-packages\cv2\data中,这里使用了一个关于人脸检测的xml文件。


import cv2
#识别人脸的xml文件,构建人脸检测器
facexml_path = "E:/anacanda/envs/pytorch/Lib/site-packages/cv2/data/haarcascade_frontalface_default.xml"
detector= cv2.CascadeClassifier(facexml_path)
#获取0号摄像头的实例
cap = cv2.VideoCapture(0)
while True:
    # 就是从摄像头获取到图像,这个函数返回了两个变量,第一个为布尔值表示成功与否,以及第二个是图像。
    ret, img = cap.read()
    assert ret is True,"Cramae Capture Nothing"
    # 转为灰度图
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    #获取人脸坐标
    faces = detector.detectMultiScale(gray, 1.1, 3)
    for (x, y, w, h) in faces:
        #参数分别为 图片、左上角坐标,右下角坐标,颜色,厚度
        cv2.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 2)
    cv2.imshow('Test Detection', img)
    # 在10ms内等待按键,否则显示下一帧,也就是10ms内按Esc退出循环
    if cv2.waitKey(10) == 27:
        break
cap.release()
cv2.destroyAllWindows()


这里体验了一下opencv自带的xml来构建人脸检测器,但是,检测得过程不是特别的稳定。关于opencv自带的检测器其实还有关于其他方面的,如下所示,具体的可以自行体验。

image.png


1. 数据的准备


  • 正样本:仅包含被检测物体的样本,并且距离边界尽量要小,图片尺寸大小一致,附件需要有路径还需要添加重复吃属于目标图片的矩形框。

eg:E:\学习\机器学习\数据集\mask2\positive\100000.jpg 1 0 0 20 20

ps:这里1表示当前图片重复出现的次数是1, 0 0 50 50表示目标图片大小是矩形框从(0,0)到(50,50)

image.png


  • 负样本:不包含被检测物体的样本,图片尺寸大小无要求,路径存放没有要求。

eg:E:\学习\机器学习\数据集\mask2\negative\100000.jpg

image.png

这里口罩的数据集中的正样本数为:352,负样本数为:1053


  • 正样本名字处理脚本

这里对正样本进行名字的添加处理我写了一个脚本来实现,具体变现为:E:\学习\机器学习\数据集\mask2\positive\100000.jpg -> E:\学习\机器学习\数据集\mask2\positive\100000.jpg 1 0 0 20 20


import os
# 读取文件所有数据
rf = open(r"E:/学习/机器学习/数据集/mask2/positive/posdata.txt", "r")
rdata = rf.readlines()
# 改写数据并保存
wdata = []
for data in rdata:
    oneline = data[:-1] + " 1 0 0 20 20\n"
    wdata.append(oneline)
# 写入数据
wf = open(r"E:/学习/机器学习/数据集/mask2/positive/posdata2.txt", "w")
wf.writelines(wdata)
# 关闭文件描述符
rf.close()
wf.close()


  • 保存图片文件名处理脚本

把图片文件名保存在一个文件中,构建成一个函数使用.

不过这个操作可以通过使用cmd打开对应的文件夹,输入:dir /b/s/p/w *.jpg > your_filename.txt 来实现,简洁版本是:dir /b *.jpg > your_filename.txt


import os
# dir:图片文件夹的路径
# filename:保存文件名称
def SaveImageName(dir, filename):
    imgnames = os.listdir(dir)
    imglists = []
    for imgname in imgnames:
        imgname = dir + '/' + imgname + '\n'
        imglists.append(imgname)
    wf = open(os.path.join(dir, filename), "w")
    wf.writelines(imglists)
    wf.close()
# 测试函数
imgdir = "E:/学习/机器学习/数据集/mask2/negative"
filename = "negative.txt"
SaveImageName(imgdir, filename)


ps:dir /b *.jpg > your_filename.txt

image.png

输入完了之后就会生成对应的file,里面存储的是当前文件夹下全部后缀名为md的文件名。


2. 创建正样本vec文件


opencv_createsamples.exe -vec pos.vec -info posdata.txt -num 352 -w 20 -h 20

image.png

成功获得pos.vec文件

image.png

  • info,指样本说明文件
  • vec,样本描述文件的名字及路径
  • num,总共几个样本,要注意,这里的样本数是指标定后的20x20的样本数,而不是大图的数目,其实就是样本说明文件第2列的所有数字累加
  • -w -h指明想让样本缩放到什么尺寸。

详细参数见官方资料:https://docs.opencv.org/3.4.1/dc/d88/tutorial_traincascade.html


3. 训练获得xml文件


最后运行成功的代码:


opencv_traincascade.exe -data xml -vec pos.vec -bg negdata.txt -numPos 100 -numNeg 300 -numStages 20 -w 20 -h 20 -mode ALL

image.png


参数列表如下所示:


  • data :应存储经过训练的分类器的位置。此文件夹应事先手动创建。
  • vec : 带有正样本的 vec 文件(由 opencv_createsamples 实用程序创建)。
  • bg : 背景描述文件。这是包含负样本图像的文件。
  • numPos :每个分类器阶段训练中使用的正样本数。
  • numNeg :每个分类器阶段训练中使用的负样本数。
  • numStages :要训练的级联阶段数。
  • precalcValBufSize :预先计算的特征值的缓冲区大小(以 Mb 为单位)。您分配的内存越多,训练过程就越快,但请记住,两者的-precalcValBufSize总和-precalcIdxBufSize不应超过您可用的系统内存。
  • precalcIdxBufSize :预先计算的特征索引的缓冲区大小(以 Mb 为单位)。您分配的内存越多,训练过程就越快,但请记住,两者的-precalcValBufSize总和-precalcIdxBufSize不应超过您可用的系统内存。
  • baseFormatSave: 这个论点在 Haar-like 特征的情况下是真实的。如果指定,级联将以旧格式保存。这只适用于向后兼容的原因,并允许用户坚持使用旧的已弃用界面,至少可以使用较新的界面训练模型。
  • numThreads :训练期间使用的最大线程数。请注意,实际使用的线程数可能会更少,具体取决于您的机器和编译选项。默认情况下,如果您使用 TBB 支持构建 OpenCV,则会选择最大可用线程,这是优化所必需的。
  • acceptanceRatioBreakValue :此参数用于确定您的模型应该保持学习的精确程度以及何时停止。一个好的指导原则是训练不超过 10e-5,以确保模型不会过度训练您的训练数据。默认情况下,此值设置为 -1 以禁用此功能。

详细参数见官方资料:https://docs.opencv.org/3.4.1/dc/d88/tutorial_traincascade.html


ps:这里需要小心调整numPos与numNeg的大小,这里指的每个分类器阶段训练中使用样本数,设置得过大可能会引起错误。设置的numPos过大,由于训练时pos count 会从你设置的numPos增大,每一级都按一定的次序增大,后来可能会超过样本库中正样本的个数,就会报这个错误。


Error: Bad argument (Can not get new positive sample. The most

possible reason is insufficient count of samples in given vec-file.


根据参考资料3,这里设置调整的值一般满足关系为:


  • numneg (负样本)数设置为总数的一半,或者其他值,
  • numpos (正样本)数设置为负样本数的3分1

训练完成后,得到最后的casce.xml文件

image.png


ps:这个xml的文件夹需要自己创建


整个bin的目录文件如下所示:

image.png


在训练过程中会出现了以下的问题:


1)Error: Bad argument (Can not get new positive sample. The most possible reason is insufficient count of samples in given vec-file


opencv_traincascade.exe -data xml -vec pos.vec -bg negdata.txt -numPos 500 -numNeg 656 -numStages 20 -w 20 -h 20 -mode ALL


出现问题:


Error: Bad argument (Can not get new positive sample. The most

possible reason is insufficient count of samples in given vec-file

opencv_traincascade.exe -data xml -vec pos.vec -bg negdata.txt -numPos 352 -numNeg 1053 -numStages 20 -w 20 -h 20 -mode ALL


出现问题:


Error: Bad argument (Can not get new positive sample. The most

possible reason is insufficient count of samples in given vec-file.


问题原因:设置的numPos过大,由于训练时pos count 会从你设置的numPos增大,每一级都按一定的次序增大,后来可能会超过样本库中正样本的个数,就会报这个错误。


2)Required leaf false alarm rate achieved. Branch training terminated.

image.png

这不是一个错误。鉴于所提供的样本设置,级联已达到其预期的潜力。需要添加更多的数据或者设置更苛刻条件。


4. 利用训练出来的cascade.xml来验证


下面是调用摄像头,利用刚刚训练出来的xml文件来构建口罩的检测器来对每一帧图像进行检测


import cv2
# 构建两个检测器
facexml_path = "E:/anacanda/envs/pytorch/Lib/site-packages/cv2/data/haarcascade_frontalface_default.xml"
maskxml_path = "E:/project/Opencv_Project/dataset/bin/xml/cascade.xml"
face_detector = cv2.CascadeClassifier(facexml_path)
mask_detector = cv2.CascadeClassifier(maskxml_path)
# 获取摄像头的实例
cap = cv2.VideoCapture(0)
# 不断对每一帧进行处理
while True:
    # 返回的第一个参数是成功与否,第二个参数的一帧图像
    ret, img = cap.read()  
    assert ret is True,"Capture Noting"   # 如果ret为空则报错
    # 转换为灰度图
    gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)
    #获取人脸坐标
    faces = face_detector.detectMultiScale(gray, 1.1, 3)
    # 依次遍历人脸对象
    for (x, y, w, h) in faces:
        #参数分别为 图片、左上角坐标,右下角坐标,颜色,厚度
        cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)
        face=img[y:y+h,x:x+w]  # 裁剪坐标为[y0:y1, x0:x1]
        mask_face=mask_detector.detectMultiScale(face, 1.1, 5)
        for (x2,y2,w2,h2) in mask_face:
            cv2.rectangle(img, (x2, y2), (x2 + w2, y2 + h2), (0, 0, 255), 2)
    cv2.imshow('Mask Detection', img)
    # 在10ms内等待按键,否则显示下一帧,也就是10ms内按Esc退出循环
    if cv2.waitKey(10) == 27:
        break
# 释放缓存,清理窗口
cap.release()
cv2.destroyAllWindows()


实验结果:


这里我该了两次参数训练了两个cascade.xml文件,但是效果好像都不好;另外我私下问了参考资料[3]的博主,拿了其提供的cascade.xml文件(这里表示感谢!!有需要的可以关注他的公众号:矩阵科学),好像效果还是不太好,甚至没有检测出口罩,一方面可能是我电脑摄像头不好,另一方面可能使用opencv提供的工具训练不是很稳定。


有机会下次使用深度学习的方法来做一些口罩检测的项目。


参考资料:

  1. 一些训练过程中可能出现的错误:https://www.cnblogs.com/hyacinthwyd/p/8885003.html
  2. 使用opencv的级联分类器训练样本获得xml数据的方法:https://blog.csdn.net/qq_43475606/article/details/110054791
  3. 基于Opencv的口罩佩戴识别系统:https://blog.csdn.net/cj151525/article/details/104984897


目录
相关文章
|
2月前
|
机器学习/深度学习
神经网络与深度学习---验证集(测试集)准确率高于训练集准确率的原因
本文分析了神经网络中验证集(测试集)准确率高于训练集准确率的四个可能原因,包括数据集大小和分布不均、模型正则化过度、批处理后准确率计算时机不同,以及训练集预处理过度导致分布变化。
|
24天前
|
机器学习/深度学习 Python
训练集、测试集与验证集:机器学习模型评估的基石
在机器学习中,数据集通常被划分为训练集、验证集和测试集,以评估模型性能并调整参数。训练集用于拟合模型,验证集用于调整超参数和防止过拟合,测试集则用于评估最终模型性能。本文详细介绍了这三个集合的作用,并通过代码示例展示了如何进行数据集的划分。合理的划分有助于提升模型的泛化能力。
|
26天前
|
人工智能 测试技术 PyTorch
AI计算机视觉笔记二十四:YOLOP 训练+测试+模型评估
本文介绍了通过正点原子的ATK-3568了解并实现YOLOP(You Only Look Once for Panoptic Driving Perception)的过程,包括训练、测试、转换为ONNX格式及在ONNX Runtime上的部署。YOLOP由华中科技大学团队于2021年发布,可在Jetson TX2上达到23FPS,实现了目标检测、可行驶区域分割和车道线检测的多任务学习。文章详细记录了环境搭建、训练数据准备、模型转换和测试等步骤,并解决了ONNX转换过程中的问题。
|
26天前
|
人工智能 计算机视觉
AI计算机视觉笔记十五:编写检测的yolov5测试代码
该文为原创文章,如需转载,请注明出处。本文作者在成功运行 `detect.py` 后,因代码难以理解而编写了一个简易测试程序,用于加载YOLOv5模型并检测图像中的对象,特别是“人”类目标。代码实现了从摄像头或图片读取帧、进行颜色转换,并利用YOLOv5进行推理,最后将检测框和置信度绘制在输出图像上,并保存为 `result.jpg`。如果缺少某些模块,可使用 `pip install` 安装。如涉及版权问题或需获取完整代码,请联系作者。
|
1月前
|
安全 测试技术 数据库
华测检测软件登记测试
软件产品登记测试由检测机构根据委托方提供的材料,验证软件功能是否正常运行。自2000年起,测试报告可用于增值税退税、双软认证评估及高新企业认定等。测试涵盖应用、嵌入式、数据库及系统软件等,依据GB/T 25000.51-2016标准,确保软件质量并提升产品销售力及企业信任度。由具备CNAS及CMA资质的CTI华测检测提供专业服务,涵盖通用应用软件测评、APP安全检测及信息安全服务等多个方向。
|
3月前
|
机器学习/深度学习 传感器 算法
OpenCV4工业缺陷检测的六种方法
OpenCV4工业缺陷检测的六种方法
|
4月前
|
存储 编解码 算法
【Qt&OpenCV 检测图像中的线/圆/轮廓 HoughLinesP/HoughCircles/findContours&drawContours】
【Qt&OpenCV 检测图像中的线/圆/轮廓 HoughLinesP/HoughCircles/findContours&drawContours】
67 0
|
5月前
|
数据采集 Java 数据挖掘
最新Python+OpenCV+dlib汽车驾驶员疲劳驾驶检测!,2024年最新网易云java面试
最新Python+OpenCV+dlib汽车驾驶员疲劳驾驶检测!,2024年最新网易云java面试
最新Python+OpenCV+dlib汽车驾驶员疲劳驾驶检测!,2024年最新网易云java面试
|
4月前
|
监控 安全 计算机视觉
实战 | 18行代码轻松实现人脸实时检测【附完整代码与源码详解】Opencv、人脸检测
实战 | 18行代码轻松实现人脸实时检测【附完整代码与源码详解】Opencv、人脸检测
|
4月前
|
机器学习/深度学习 算法 数据可视化
基于OpenCV的人脸检测软件(含Python源码+UI界面+图文详解)
基于OpenCV的人脸检测软件(含Python源码+UI界面+图文详解)
下一篇
无影云桌面