【原】訓練自己的haar-like特征分類器並識別物體（3）

在前兩篇文章中，我介紹了《訓練自己的haar-like特征分類器並識別物體》的前三個步驟：

1.准備訓練樣本圖片，包括正例及反例樣本

2.生成樣本描述文件

3.訓練樣本

4.目標識別

==============

本文將着重說明最后一個階段——目標識別，也即利用前面訓練出來的分類器文件(.xml文件)對圖片中的物體進行識別，並在圖中框出在該物體。由於邏輯比較簡單，這里直接上代碼：

int _tmain(int argc, _TCHAR* argv[])
{
	char *cascade_name = CASCADE_HEAD_MY; //上文最終生成的xml文件命名為"CASCADE_HEAD_MY.xml"
	cascade = (CvHaarClassifierCascade*)cvLoad( cascade_name, 0, 0, 0 ); //加載xml文件

	if( !cascade ) 
	{ 
		fprintf( stderr, "ERROR: Could not load classifier cascade\n" );
		system("pause");
		return -1;
	}
	storage = cvCreateMemStorage(0); 
	cvNamedWindow( "face", 1 ); 

	const char* filename = "(12).bmp"; 
	IplImage* image = cvLoadImage( filename, 1 );

	if( image ) 
	{ 
		detect_and_draw( image ); //函數見下方
		cvWaitKey(0); 
		cvReleaseImage( &image );   
	}
	cvDestroyWindow("result");
	return 0;
}

void detect_and_draw(IplImage* img ) 
{ 
    double scale=1.2; 
    static CvScalar colors[] = { 
        {{0,0,255}},{{0,128,255}},{{0,255,255}},{{0,255,0}}, 
        {{255,128,0}},{{255,255,0}},{{255,0,0}},{{255,0,255}} 
    };//Just some pretty colors to draw with

    //Image Preparation 
    // 
    IplImage* gray = cvCreateImage(cvSize(img->width,img->height),8,1); 
    IplImage* small_img=cvCreateImage(cvSize(cvRound(img->width/scale),cvRound(img->height/scale)),8,1); 
    cvCvtColor(img,gray, CV_BGR2GRAY); 
    cvResize(gray, small_img, CV_INTER_LINEAR);

    cvEqualizeHist(small_img,small_img); //直方圖均衡

    //Detect objects if any 
    // 
    cvClearMemStorage(storage); 
    double t = (double)cvGetTickCount(); 
    CvSeq* objects = cvHaarDetectObjects(small_img, 
        cascade, 
        storage, 
        1.1, 
        2, 
        0/*CV_HAAR_DO_CANNY_PRUNING*/, 
        cvSize(30,30));

    t = (double)cvGetTickCount() - t; 
    printf( "detection time = %gms\n", t/((double)cvGetTickFrequency()*1000.) );

    //Loop through found objects and draw boxes around them 
    for(int i=0;i<(objects? objects->total:0);++i) 
    { 
        CvRect* r=(CvRect*)cvGetSeqElem(objects,i); 
        cvRectangle(img, cvPoint(r->x*scale,r->y*scale), cvPoint((r->x+r->width)*scale,(r->y+r->height)*scale), colors[i%8]); 
    } 
    for( int i = 0; i < (objects? objects->total : 0); i++ ) 
    { 
        CvRect* r = (CvRect*)cvGetSeqElem( objects, i ); 
        CvPoint center; 
        int radius; 
        center.x = cvRound((r->x + r->width*0.5)*scale); 
        center.y = cvRound((r->y + r->height*0.5)*scale); 
        radius = cvRound((r->width + r->height)*0.25*scale); 
        cvCircle( img, center, radius, colors[i%8], 3, 8, 0 ); 
    }

    cvShowImage( "result", img ); 
    cvReleaseImage(&gray); 
    cvReleaseImage(&small_img); 
}

===================================

其實上面的代碼可以運用於大部分模式識別問題，無論是自己生成的xml文件還是opencv自帶的xml文件。在opencv的工程目錄opencv\data文件夾下有大量的xml文件，這些都是opencv開源項目中的程序員們自己訓練出來的。然而，效果一般不會合你預期，所以才有了本系列文章。天下沒有免費的午餐，想要獲得更高的查准率與查全率，不付出點努力是不行的！